...

Massan ja paperinvalmistuksen märkäosan kuvantava mittaus sekä konenäkösovellukset (PULPVISION)

by user

on
Category: Documents
12

views

Report

Comments

Transcript

Massan ja paperinvalmistuksen märkäosan kuvantava mittaus sekä konenäkösovellukset (PULPVISION)
Massan ja paperinvalmistuksen
märkäosan kuvantava mittaus sekä
konenäkösovellukset (PULPVISION)
MAMK / FiberLaboratory: TkT Jari Käyhkö, DI Heikki Mutikainen,
TkL Juhani Turunen, TkL Tapio Tirri ja Prof. Yrjö Hiltunen
LUT / MVPR: Dos.Tuomas Eerola, Prof. Lasse Lensu, Prof. Heikki Kälviäinen
UEF / Väriryhmä: FT Jarkko Mutanen, Prof. Markku Hauta-Kasari
Univ. of Oulu / CEMIS-Oulu (Kajaani): FL Kyösti Karttunen, FT Kaarina Prittinen
3K-tehdas: Ins. Elmar Bernhardt
1
University of Appl ied Sciences
MASSAN JA PAPERINVALMISTUKSEN MÄRKÄOSAN
KUVANTAVA MITTAUS SEKÄ
KONENÄKÖSOVELLUKSET
(PULPVISION)
MAMK / FIBERLABORATORY: TKT JARI KÄYHKÖ,
DI HEIKKI MUTIKAINEN, TKL JUHANI TURUNEN,
TKL TAPIO TIRRI JA PROF. YRJÖ HILTUNEN
LUT / MVPR: DOS.TUOMAS EEROLA, PROF. LASSE LENSU,
PROF. HEIKKI KÄLVIÄINEN
UEF / VÄRIRYHMÄ: FT JARKKO MUTANEN,
PROF. MARKKU HAUTA-KASARI
UNIV. OF OULU / CEMIS-OULU (KAJAANI):
FL KYÖSTI KARTTUNEN, FT KAARINA PRITTINEN
3K-TEHDAS: INS. ELMAR BERNHARDT
MIKKELIN AMMATTIKORKEAKOULU
MIKKELI 2015
A: TUTKIMUKSIA JA RAPORTTEJA – RESEARCH REPORTS 105
4
© Tekijät ja Mikkelin ammattikorkeakoulu
Kannen kuvat: Mikkelin ammattikorkeakoulu,
CEMIS-Oulu ja Itä-Suomen yliopisto
Kannen ulkoasu: Mainostoimisto Nitro ID
Taitto : Mainostoimisto Groteski
ISBN: 978-951-588-541-8 (PDF)
ISSN: 1795-9438
julkaisut(a)xamk.fi
5
TIIVISTELMÄ
ALKUSANAT
Projektin tavoitteena oli kehittää uusia pääasiassa kuvantamiseen ja konenäköön perustuvia mittauksia hyödynnettäväksi massan- ja paperinvalmistuksen märkäosalla sekä näihin prosesseihin liittyvissä tutkimuksissa. Projektissa
tutkittiin hyvin laajasti erilaisia mittausmenetelmiä, sovelluksia sekä näiden
toteutukseen liittyviä konenäkömenetelmiä. Pääasialliset tutkimuskohteet olivat tahmo- ja roskapartikkelien, kuitujen sekä kaasukuplien kuvantaminen ja
tunnistus, fluoresenssi- ja spektrimittaukset ja näiden sovellukset eri osaprosesseissa sekä eri prosessilaitteiden toiminnan spesifiset kuvantamis- ja mittausmenetelmät. Joidenkin sovellusten osalta päästiin jo tehdastutkimus- ja patentointivaiheeseen. Happikaasun kuplakokojakauma pystyttiin mittaamaan
täyden mittakaavan delignifiointiprosessissa ja menetelmää tullaan jatkossa
kehittämään ja soveltamaan alueen tutkimus- ja kehitystoiminnassa. Lisäksi
hakkeen fluoresensikuvantamisella sekä suovan fluoresenssimittauksella on
näköpiirissä käytännön sovelluksia. Tehdyt tutkimukset antavat myös pohjaa
mittaussovellusten kehittämiselle jatkossa massa-, paperi- ja biotuoteprosesseissa laajemminkin.
Tämä Tekes/EAKR rinnakkaisprojekti (diaarinumerot 2291/31/2009,
2292/31/2009, 2293/31/200, 2294/31/2009, 2299/31/2009) toteutettiin
1.1.2010-31.10.2014 välisenä aikana yhteistyössä seuraavien tutkimusryhmien kanssa: MAMK/FiberLaboratory, LUT/FiberLaboratory, LUT/MVPR,
UEF/ Väriryhmä, Univ. of Oulu/CEMIS-Oulu (Kajaani) ja 3k-tehdas. Projektin rahoitukseen, ohjausryhmätyöskentelyyn sekä osin myös tutkimustoimintaan osallistuivat seuraavat yritykset: Andritz Oy, Wetend technologies Oy,
Teknosavo Oy, LabVision Oy, Savled/Diranet Oy, Janesko Oy, Cavitar Oy ja
Pixact Oy
6
Toteuttajat kiittävät Tekesiä ja ko. yrityksiä heidän panoksestaan sekä antoisasta ja hyvin sujuneesta yhteistyöstä.
7
SISÄLTÖ
TIIVISTELMÄ
6
ALKUSANAT
7
1 TAUSTAA
10
7 FLUORENSSIN JA SPEKTRIN MÄÄRITYS ERI VAIHEISTA
PROSESSIA (UEF JA FIBERLABORATORY)
46
7.1 Suovan fluorenssitutkimukset
46
7.2 Fluorenssimittaukset eri vaiheista delignifiointi
ja valkaisuprosessia
50
2 TAVOITTEET
12
8 YHTEENVETO
53
3 TULOKSET
13
9 PROJEKTISSA SYNTYNEET JULKAISUT
56
60
61
62
63
4 KUITUJEN JA PARTIKKELIEN
FYSIKAALINEN KARAKTEROINTI
4.1 Tahmo- ja roskapartikkelien kuvantaminen ja tunnistus
(MVPR ja FiberLaboratory)
4.2 Kuitumateriaalin karakterisointi ja tunnistus
(MVPR, Väriryhmä ja CEMIS-Oulu/Kajaani)
4.3 Hakkeen spektri- ja fluorenssitutkimukset
(UEF, FiberLaboratory)
14
14
LIITE I LIITE II A
LIITE II B
LIITE III
16
21
5 PROSESSILAITTEIDEN ERI ILMIÖIDEN KUVAS- JA MITTAUS JÄRJESTELMIEN KEHITTÄMINEN SEKÄ MENETELMIEN
SOVELTAMINEN ALUEEN PERUSTUTKIMUKSEEN
24
5.1 Haihduttamokuvaukset (FiberLaboratory ja 3k-tehdas) 24
5.2 Tomografia (FiberLaboratory, LUT/MVPR)
27
5.3 Lämpövuomittaus (FiberLaboratory ja 3k-tehdas)
29
5.4 DD-pesurin sihdin saostumakuvaukset
(FiberLaboratory, UEF ja 3k-tehdas)
31
5.5 Kuitujen liikkeen tunnistus (CEMIS-Oulu ja MVPR) 34
6 MC-MASSAN NESTE-KAASU DISPERSIOILMIÖIDEN
HALLINTA KUVANTAMISTEKNOLOGIOILLA
(FIBERLABORATORY JA MVPR)
6.1 Kuvantavan mittausmenetelmän kehitys
6.2 Automaattiset menetelmät kuplakokojakauman
määrittämiseksi
8
36
36
41
9
1TAUSTAA
Massan ja paperin valmistaminen on investointipääomaa edellyttävä teollisuudenala, joka kuluttaa paljon energiaa ja sen ympäristönsuojelukustannukset ovat
suuria. Teollisuudenalalla on tarve pienentää prosessilaitteiden investointikustannuksia, alentaa energian- ja vedenkulutusta, laajentaa raaka-aineen käyttöä
erityyppisiin puubiomassalaatuihin, nopeuttaa lajinvaihtoja sekä hallita paremmin esimerkiksi erilaisista konsentroituvista harmiaineista aiheutuvia häiriötilanteita. Osa näistä haasteista korostuu mm. kehitteillä olevan ”sellutehdas-biojalostamo”-konseptin edetessä tutkimuksesta kohti teollista sovelluskenttää.
Näiden taloudellisesti merkittävien haasteiden voittaminen edellyttää vielä rajallisesti tunnettujen yksikköprosessien ja niissä vaikuttavien ilmiöiden parempaa ymmärrystä. Ilmiöiden nykyistä olennaisesti parempi ymmärrys edellyttää
uudenlaisen informaation hankintaa prosessien käyttäytymisestä ja toiminnasta.
Uusien mittausten kehittämisen ja soveltamisen kannalta tutkimuksen kohteena oleva prosessiympäristö on erittäin haastava ja mitattavat suureet hyvinkin
monimutkaisia. Tästä johtuen konenäkö on yksi potentiaalisimmista uusista
”älykkäistä” mittaustavoista. PulpVision-projektin tavoitteena oli tutkia ja kehittää konenäkömenetelmiin perustuvia mittausmenetelmiä hyödynnettäväksi
pääasiassa massan- ja paperinvalmistuksen märkäosalla sekä näiden prosessien
kehittämiseen liittyvässä työssä. Tällä on vaikutus tuotantoprosessin alkupäässä, jolloin tavoiteltuun laatuun on mahdollista vaikuttaa entistä tehokkaammin aiemmassa vaiheessa. Tutkittavat ja kehitettävät mittausratkaisut ja analyysimenetelmät mahdollistavat merkittäviä toimintatapamuutoksia ja niiden
seurauksena merkittäviä säästöjä investointi- ja tuotantokustannuksissa.
Paperi- ja massaprosesseja on perinteisesti ohjattu mittaamalla lopputuotteen laatua.
Viime aikoina prosessien alkupäässä tapahtuvat mittaukset sekä näihin perustuvat
erityisesti prosessilinjassa eteenpäin suuntautuvat säädöt ovat lisääntyneet. Kyseinen suuntaus luo hyvin merkittävän tehostamispotentiaalin paperin- ja massanvalmistusprosessien rakenteelle ja toiminnalle. Tietokoneiden laskentakapasiteettien
sekä alan perus- ja sovellustietämyksen lisääntymisen johdosta konenäkösovellukset
tarjoavat useita lupaavia ratkaisuvaihtoehtoja uusien mittausten toteutukselle.
Mikkelin ammattikorkeakoulun (MAMK) FiberLaboratory on ollut mukana
kehittämässä simulaatio- ja kuvausalustaa prosessilaitteiden hydrodynaamisten
10
ilmiöiden tutkimukseen. Kuvantava mittaus on kehitetty tilaan, jossa kuituja ja muita sulpun sisältämiä partikkeleita (epäpuhtaudet, kaasukuplat, yms.)
voidaan tarkastella visuaalisesti laitteiden toiminnallisilla pinnoilla ja osa niiden ominaisuuksista laskea ja luokitella (koko ja nopeus) manuaalisesti. Laitteiston avulla on mm. saatu uutta teoreettista tietoa painelajittelusta ja saatu
aikaan uutta tekniikkaa, jota jo käytetään eräiden tehtaiden päälinjoissa. Tämä
on merkinnyt nykyisten maksimisyöttösakeustasojen nousua jopa 70 %:lla.
Tämä puolestaan pienentää tarvittavia pumppauksia vastaavassa suhteessa,mahdollistaa tuotannon lisäyksen, laskee huoltokustannuksia, poistaa laitteita
päälinjasta, poistaa laimennussäiliön, pienentää hajukaasupäästöjä säiliöiden
vapaiden pinta-alojen pienentyessä, pienentää energian kulutusta, pienentää
kemikaalikustannuksia, lisää linjan toimintavarmuutta, pienentää uusien tehtaiden layout:ia, yms. Lisäksi uusi teknologia mahdollistaa energian kulutuksen pienentämisen jopa yli 50 % nykytasosta.
Samankaltainen edistys on mahdollista saavuttaa myös muissa laitteissa ja toiminnoissa, kun sulpun virtaustilaa päästään mittaamaan todellisissa olosuhteissa.
Kuvantava mittaus on vasta alkutekijöissään, mutta tehdyissä laboratoriokokeissa
sen merkitys on jo osoittautunut välttämättömäksi tulevaisuuden kehityssuunnaksi prosessisäästöjä tavoiteltaessa. Kuvantaminen ja sen menetelmät tulisi automatisoida, mikä mahdollistaisi tehokkaamman tutkimuksen ja seurannan sekä
parantaisi merkittävästi laitteiden toiminnasta kertovien mittausten edustavuutta.
Projektin toteutukseen osallistuivat seuraavat tutkimusosapuolet:
• FiberLaboratory, Mikkelin ammattikorkeakoulu (MAMK3),
projektin massa- ja paperinvalmistusosaaminen.
• Konenäön ja hahmontunnistuksen laboratorio (MVPR1), Lappeenrannan
teknillinen yliopisto (LUT), projektin konenäköosaaminen.
• Mittalaitelaboratorio (MILA2, myöhemmin CEMIS-Oulu), Oulun
yliopisto, projektin mittausosaaminen.
• Väritutkimusryhmä (UEF/Väri4), Itä-Suomen yliopisto (UEF),
fluoresenssi ja spektrimittaukset.
• Lisäksi projektiin osallistui ostopalveluna Itä-Suomen yliopiston
Fysiikan laitos ja 3K-tehdas.
PulpVision-projekti toteutettiin kansalliseen osaamisklusteriin Uusituva
mestäteollisuus kuuluvien Kaakkois-Suomen, Pohjois-Karjalan ja Kainuun
osaamiskeskusten yhteistyönä. Projektilla oli myös yhtymäkohtaa Tekes/Metsäklusteri hankkeeseen nimeltään QVision. QVision-hankkeessa samojen osapuolien toimesta tutkittiin kuvantamisen ja konenäön soveltamista roska-ja
tahmopartikkelien analysointiin koearkeista ja valmiista tuotteesta. Tässä
hankkeessa hyödynnettiin ja jatketaan ko. aiheeseen liittyvää tutkimusta.
1
2
http://www.it.lut.fi/mvpr/
http://www.oulu.fi/kajaaninyliopistokeskus/cemis-oulu
11
3
4
http://www.mamk.fi/kuitulaboratorio
http://www.uef.fi/fi/spectral
2TAVOITTEET
3TULOKSET
Projektin päätavoite oli kehittää menetelmiä sekä analysoida paperi- ja massatehtaan prosessien käyttäytymistä kuvantavalla mittauksella ja konenäkötekniikalla.
Tällaisia kuvantamisratkaisuja tarvitaan merkittävien energia-, laatu-, ympäristö- ja kunnossapitosäästöjen aikaansaamiseksi. Valmiita kaupallisia laitteita ei
ole saatavilla. Hankkeen taloudellisena tavoitteena oli tuottaa tutkimustulokset,
joiden perusteella tarvittavat laitteistot voidaan kehittää tuotteiksi – soveltuvilta
osin jo projektin aikana.
Alla on koostettu projektin päätulokset jaoteltuina tutkimussuunnitelmassa
esitettyjen tehtäväkokonaisuuksien mukaisesti. Otsikon perässä sulkeissa on
listattu ko. tutkimusalueen pääasialliset toteuttajat.
Tutkimussisältöön ja osaamiseen liittyvät tavoitteet olivat seuraavat:
• Syvällinen paperin- ja massanvalmistuksen mittausten ja
prosessien tietämys.
• Korkeatasoinen konenäkötekniikan soveltamiskyky paperi- ja
massateollisuuden ongelmiin, erityisesti nopeasti virtaavien kuitu suspensioiden hallinnassa ja erotusprosesseissa, MC-sakeusalueella tapahtuvien neste-kaasu-sekoitusilmiöiden ja reaktioiden (valkaisu) sekä
kuitulinjalle konsentroituvien NPE-aineiden hallinnan osa-alueilla.
• Teollisuusolosuhteissa tapahtuvaan optiseen mittaamiseen ja kuvanta miseen liittyvä uusi tieto ja tekniset ratkaisut sekä niiden soveltaminen:
diodilaserstroboskopia, pulssilaser, fluoresenssi-, spektri- ja prosessimikroskopia.
• Konenäköön, hahmontunnistukseen ja laskennallisten menetelmien
tutkimukseen liittyvät tieteelliset ja sovellettavat tulokset.
• Tieteellisesti ja etenkin sovelluksille merkittävän uuden tiedon
tuottaminen (väitöskirjat ja muut julkaisut).
Hankkeella on ilmiselvät ympäristöön ja ympäristömyötäisyyden parantamiseen
liittyvät tavoitteet mm. Energian, veden, materiaalien ja kemikaalien käytön vähentämisen osalta.
12
13
4 KUITUJEN JA PARTIKKELIEN
FYSIKAALINEN KARAKTEROINTI
tisiä kuvia, jotka sisälsivät useita erilaisia roskapartikkeleita. Tällä tavoin saatiin tuotettua aitoja sellunäytteitä vastaavia kuvia täydellisellä referenssidatalla
(kaikkien roskapartikkeleiden tyyppi tunnetaan). Tuotettuja puolisynteettisiä
kuvia hyödyntäen testattiin useita erilaisia roskapartikkeleiden paikantamis-,
karakterisointi- ja luokittelumenetelmiä. Parhaimmilla menetelmillä tunnistettiin yli 95% roskapartikkeleista oikein datalla, jossa esiintyi neljää eri roskatyyppiä. Käytetyt menetelmät ja tulokset on raportoitu yksityiskohtaisesti
yhdessä tiedelehtiartikkelissa [LUT01] ja kahdessa konferenssiartikkelissa
[LUT03, LUT04].
4.1. TAHMO- JA ROSKAPARTIKKELIEN
KUVANTAMINEN JA TUNNISTUS
(MVPR JA FIBERLABORATORY)
Massa- ja paperi tuotteet tehdään heterogeenisesta puu/kuitumateriaalista
ja prosesseissa ja tuotteissa on aina läsnä primaarisia (kuori, tikut, hiekka) ja
sekundäärisiä (pihkakasaumat, kemialliset- ja biologiset saostumat) haitta-aineita. Tärkeä osa tuotantoa on siten näiden aineiden erottelu sekä muodostumisen estäminen. Olennainen osa tätä toimintaa on näiden partikkelien visuaalinen analysointi. Off-line metelmiä on jo ollut pitkään käytössä ja on-line
menetelmät ja niiden käyttö on nykyisin lisääntymässä. On-line menetelmissä
olennainen osa on konenäkömenetelmien hyödyntäminen kuvamateriaalin
analysoinnissa.
Keskeinen ongelma tahmo- ja roskapartikkeleiden tunnistuksessa on tiettyjen
roskatyyppien tunnistamisen vaikeus tai jopa mahdottomuus pelkän visuaalisen tarkastelun avulla. Tämä aiheuttaa käytännön ongelmia myös automaattisen menetelmän kehittämisen kannalta. Oppivat menetelmät vaativat toisaalta
luotettavaa opetusdataa eli esimerkkejä tunnistettavista roskapartikkeleista,
joiden tyyppi tunnetaan, ja toisaalta testidataa eli käsin tai muulla tavalla tunnistettuja roskapartikkeleita, joiden avulla voidaan mitata, kuinka hyvin menetelmä toimii. Tämänkaltaisen referenssidatan tuottaminen ei käytännössä
onnistu mielivaltaisille sellunäytteille ainakaan näytteitä rikkomatta, sillä edes
asiantuntija ei pysty tunnistamaan kaikkia roskapartikkeleita oikein. Projektissa ongelma ratkaistiin kehittämällä menetelmäkehys, jolla automaattisia menetelmiä voitiin opettaa ja testata hyödyntämällä luotuja puolisynteettisiä sellunäytekuvia, joissa kaikkien roskapartikkeleiden tyyppi tunnettiin etukäteen.
KUVA 4.1.1 Automaattisten roskantunnistusmenetelmien kehitys puolisynteettisillä sellunäytteillä.
Kehitetty menetelmäkehys on esitetty kuvassa 4.1.1. Aluksi valmisteltiin puhtaita sellunäytteitä, joihin kuhunkin lisättiin laboratoriossa yhtä tunnettua roskatyyppiä. Kuivatut sellunäytteet kuvattiin ja kuviin merkittiin ylimääräiset
tuntemattomat roskapartikkelit. Näin saaduista yhtä tunnettua roskapartikkelia sisältävistä kuvista yhdisteltiin kuvakäsittelymenetelmin uusia puolisynteet14
15
4.2 KUITUMATERIAALIN KARAKTERISOINTI JA
TUNNISTUS (MVPR, VÄRIRYHMÄ JA
CEMIS-OULU/KAJAANI)
Esimerkiksi kuusen ja männyn toisistaan erottava piirre on männyn kuitujen
ikkunamaiset rakenteet, jotka näkyvät selkeästi C-O:n virtauskennossa kuvatussa virtaavassa näytteessä (kuva 4.2.1).
Kuitu on sellususpension pääkomponentti, mikä motivoi sen ominaisuuksien mittaamista tähdäten laadunvalvontaan ja prosessin hallintaan. Kuitujen
karakterisointi luo lisäksi pohjan, jonka päälle voidaan rakentaa menetelmiä
puulajien tunnistukseen. Viimeaikaiset kehitysaskeleet kamera- ja valaisutekniikoissa mahdollistavat kuvamateriaalin tuottamisen suoraan kuitulinjasta.
Tällaiset kuvapohjaiset menetelmät mahdollistavat kuitujen karakerisoinnin
valmistusprosessin aikana ilman, että tarkoitusta varten tarvitsee ottaa näytettä
laboratorion analysoitavaksi. Projektissa kehitettiin kuvankäsittelymenetelmiä
kuitujen karakterisointiin ja tunnistamiseen.
Kuitulajien tunnistus: CEMIS-Oulu -yksikössä (Kajaanissa, jatkossa C-O)
tehtiin kirjallisuusselvitys kuitunäytteiden lajintunnistuksessa käytettävistä
morfologisista piirteistä. Tarkoituksena oli kyetä tunnistamaan kuitunäytteistä
kasvilajit virtauskennon mikroskooppikuvissa näkyvien ominaisuuksien perusteella. Tunnistuksessa käytettäviksi piirteiksi valikoituivat kuitujen pituus ja
leveys; putkilosolujen määrä, pituus, leveys, ja perforaatiolevyt; tylppysolujen
koko ja määrä; sekä erilaiset solujen pintarakenteet. Kiinnostuksen kohteena
olivat seuraavat kasvilajit tai -suvut: kuusi, mänty, koivu, haapa, tammi, akaasia, eukalyptus, vehnä (olki) ja järviruoko. Seuraavana on esitetty projektissa
laadittu määrityskaava em. lajien tunnistamiseksi:
KUVA 4.2.1 Männyn kuidussa erottuvat ikkunamaiset rakenteet, joita
kuusen kuiduissa ei ole.
Long fibres, no vessels > softwoods
only small pits in tracheids > Norway Spruce
small pits and large windowlike pits > Scots Pine
Long fibres, abundant vessel and parenchyma cells > non-woods
vessel cells up to 1,0 mm long and 60 µm wide > Wheat
vessel cells up to 2,0 mm long and 120 µm wide > Common Reed
Fibres short; vessels and parenchyma cells present > hardwoods
large, oblong vessel cells with scalariform perforation plates and small pits > European White Birch
large, oblong vessel cells with fairly large pits; pitting areas widely spaced > Aspen
large earlywood vessel cells, often broader than long, with pits in rows; narrow latewood vessel cells > Oak
large, profusely pitted vessel cells with threadlike tails > Eucalyptus
small, profusely pitted vessel cells; all pits small and similar shaped > Acacia
16
C-O:ssa myös tarkistettiin LUT:n MVPR-konenäköryhmän tekemiä kuituluokitteluja (ns. ground truth) Kajaanissa tuotetuista kuvasarjoista. Näistä
kuvista tunnistettiin kuidut, putkilosolut, hienoaines sekä kuitujen mutkat ja
kuitukimput.
Kuitumateriaalin kuvantavat mittaukset:
Mittalaitelaboratorion (siis nyk. CEMIS-Oulu, C-O) osaamista optisten mittausmenetelmien käytössä hyödynnettiin projektin aikana, niin aiemmin kehitettyjen menetelmien hyödyntämisessä, kuin uudentyyppisen virtauskennon
mikroskooppisen kuvantamisympäristön kehityksessä. Lyhyesti, perustavoitteena oli tuottaa virtaavasta laimennetusta kuitumateriaalista teknisesti hyvälaatuista kuvasarjamateriaalia (tyypillisesti 100 – 10000 kuvaa /sarja) kuitujen
tilastollista kuva-analyysia varten. Kuvantamisen mittaustekniikan kehitystyö
ja kuvasarjojen tuottaminen tapahtui C-O:ssa, minkä jälkeen sarjat siirrettiin
MVPR/LUT:n tutkijoille.
17
Kuvantamistekniikka (kuva 4.2.2):
Projektin alussa (kevät 2010) suunniteltiin mittausaiheiksi kuiturakennekuvaus ja kuitulajikuvaus. Mukaan hahmoteltiin tarpeen mukaan myös painovärijäämämittausta sekä roskakuvausta. Käytettäviksi kuvantamistekniikoiksi
suunniteltiin polarisaatiomikroskopiaa, diodilaserstroboskopiaa sekä suurnopeuskamerakuvausta.
Projektin aikana kehitystyössä testattiin useita kuvamateriaalin ominaisuuksiin
vaikuttavia teknisiä ratkaisuja ja optimoitiin oleelliset tekijät, mm. optiikka,
depth-of-field, näytteen konsentraatio ja virtausprofiili. Laboratoriomikroskoopilla (Leica DMR), objektiivisarjalla ja kameralla (QImaging Retiga2000R)
tehtyihin kuvasarjamittauksiin tai testeihin käytettiin seuraavia pulssitettuja
valaisujärjestelmiä:
1)
2)
3)
4)
flash (white):
Hamamatsu Xenon Flash (L4633) & HV power supply
diodilaser (690 nm): Cavilux HF & ohjausyksikkö & ohjausohjelma
(Cavitar Ltd, Tampere)
high power led (near white, wide peaks at 450 nm, 570 nm) :
W724C0 (Z-power series, Seoul Semiconductor) & Gardasoft RT820F-20 Lighting Controller
kaksois- ja kolmoisvalotuskuvaus: Järjestelmä 2) eri asetuksilla.
KUVA 4.2.2 Tutkimuksissa käytetty kuvantamistekniikka.
Koska yhteen sarjaan kuvattiin tuhansia kuvia, niin selkein motiivi valaistusjärjestelmän kehitystyölle oli riittävän hyväresoluutioisen kuvasarjan kuvausnopeuden parantaminen vähintään 10 kuvaan/s. Diodilaser ja high power led
–järjestelmillä se onnistui. Perustavoite, hyvä kuvan optinen laatu riittävällä
resoluutiolla, mahdollisti lähtökohdan kuitumateriaalin morfologiselle tarkastelulle (MVPR) myös yksittäisten kuitujen osalta.
Virtauskenno:
Projektin aikana käytettiin tai suunniteltiin kolme eri mittauskennorakennelmaa:
1) Alussa käytettiin Mittalaitelaboratorion aiempaa laboratoriomikros kooppiin modifioitua virtauskennoa (ks. oheinen Kuva), jonka slitin virtauskorkeus oli optimoitu kuitususpensiolle. Ko. kennolla tehtiin lähes kaikki ”tuotantoajot” käyttäen em. valaistusjärjestelmää 3)
2) Vuoden 2013 aikana suunniteltiin säädettävä virtauskennoratkaisu kennon korkeuden suhteen. Se myös rakennettiin. Korkeuden
säädettävyys (teflonliuskat 0.25, 0.50 1.0, 2.0 mm) sekä lasi ikkunoiden särkyväisyys aiheutti tiiveysongelmia, minkä jälkeen kennon rakennetta muutettiin ja testeissä pitäydyttiin kuitunäytteille sopivassa korkeudessa 0.5 mm.
3) Projektin loppuvaiheessa v. 2014 aikana suunniteltiin ja toteutettiin
edellisen kennon rakenteeseen perustuva modifioitu virtauskenno proto, jossa virtauskammioon on lisätty ”injektiokapillaari”. Siten tähän (neliö)putkivirtaukseen on mahdollista suoraan syöttää esim.
nestemäistä väriainetta tai kemikaalia. Ko. kennolla ehdittiin tehdä lupaavat ensitestit ja kuvasarjat. Kennon jatkokehitys ja jatkomit taukset suunnitellaan tehtäväksi toisten tutkimushankkeiden yhteydessä.
Mittaussarjat:
Projektin aikana mitattiin monia lukuisia mittaussarjoja eri kuitulajeista, Esimerkki kuvassa 4.2.3. Mitattuja lajeja olivat akaasia, koivu, vehnä, eukalyptus
ja mänty. Tyypillisesti sarjat mitattiin kolmella eri objektiivilla (2.5x, 5x, 10x),
ja usein myös kahdella eri kuvaresoluutiolla (600x800, 1200x1600). Sarjojen kuville tehtiin aluksi taustankorjaus- ja normalisointioperaatiot (Flat-Field
correction), minkä jälkeen ne olivat MVPR-ryhmän (LUT) PulpVision-tutkijoiden käytössä jatkoprosessointia varten.
KUVA 4.2.3. Esimerkkikuva virtauskennossa kuvatuista kuiduista.
Jotta kuituja voidaan karakterisoida, ne tulee löytää kuvasta. Kuvankäsittelyn
kannalta keskeisin ongelma on kuvissa risteävät kuidut. Projektissa kehitettiin
menetelmä kuitujen paikantamiseen kuvasta perustuen kaarimaisten kohteiden etsimiseen ja ryhmittelyyn. Menetelmän osoitettiin löytävän kuidut hyvin. Menetelmä löysi käytetyllä kuvadatalla kaikki kuidut, joista 38% useassa
osassa. Kuvassa 4.2.4 on esitetty esimerkkituloksia. Kuitujen paikantaminen
mahdollistaa niiden ominaisuuksien mittaamisen. Kehitetyn menetelmän
osoitettiin kykenevän määrittämään kuitujen pituus 72% ja kaarevuus 71%
tarkkuudella. Ongelmia aiheuttivat useassa osassa paikannetut kuidut. Menetelmä kuitujen paikantamiseen ja ominaisuuksien mittaamiseen on raportoitu
konferenssiartikkelissa [LUT08] sekä diplomityössä [LUT14].
Kuitujen paikantamismenetelmän kehitys tehtiin käyttäen laboratorio-olosuhteissa tuotettua kuvamateriaalia kuituvirtauksesta. Teollisuusolosuhteissa kuvantaminen on merkittävästi haastavampaa, mikä heikentää kuvanlaatua. Tätä
silmällä pitäen projektissa kehitettiin menetelmä kuvanlaadun parantamiseen.
Tulokset osoittivat, että kehitetty menetelmä paransi kuitujen paikantamistarkkuutta teollisuus olosuhteissa tuotetulla kuvadatalla. Menetelmä on raportoitu konferenssiartikkelissa [LUT05] sekä diplomityössä [LUT11].
20
KUVA 4.2.3. Esimerkkikuva virtauskennossa kuvatuista kuiduista.
Kuitujen karakterisointi mahdollistaa puulajien tunnistuksen tutkimisen. Projektissa suoritettiin alustavia testejä kuvadatalla, jossa kussakin kuvassa esiintyi vain yhtä puulajia. Kuvista laskettiin kuitujen tilastollisia ominaisuuksia,
joiden perusteella kuvassa esiintyvä puulaji pyrittiin tunnistamaan käyttäen
luokittelumenetelmiä. Alustavissa testeissä saavutettiin hyvin korkea 97,6%
luokittelutulos viidellä puulajilla. Vaikka käytetty koeasetelma, jossa kerrallaan
esiintyi vain yhtä puulajia, ei vastaa todellista mittaustilannetta, jossa eri puulajien kuituja on sekaisin, ovat saadut tulokset silti hyvin lupaavia jatkokehitystä silmällä pitäen. Puulajien tunnistusmenetelmä on raportoitu kandityössä
[LUT13].
4.3 HAKKEEN SPEKTRI- JA FLUORESENSSI
TUTKIMUKSET (UEF, FIBERLABORATORY)
Spektrisen puuhakkeen lajikeluokittelututkimusosa-alueen avulla pyrittiin tehostamaan hakkeen lajittelua sellutehtaalla. Ensimmäisenä osa-alueena kartoitettiin hakkeen mahdollisia ”fluoresenssimarkkereita” mm. eri sellutehtailta,
CEMIS-Oulusta ja Teknosavosta saaduista hakenäytteistä. Fluoresenssispektrejä pyrittiin kartottamaan puulajien luokittelua varten. (Taulukoituna kaarnan, eri haketyyppien, ja sahanpurun fluoresenssin viritys- ja emissio-aallonpituudet Liitteessä I).
Hakkeen fluoresenssimittauksien jälkeen mitattiin spektrikuvantavilla laitteilla ja luokiteltiin mänty-, kuusi- ja hies- ja rauduskoivuhaketta k-Nearest
Neighbour (k-NN) –menetelmällä, jolloin kustakin puulajista muodostettiin
oma luokitteluluokkansa (yht. 3 luokkaa, puulajit kuvassa 4.3.1). Lajittelussa
haluttiin myös simuloinnin avulla testata sitä, millainen kuvantava lajittelujärjestelmä soveltuisi parhaiten hakkeen lajitteluun.
Mittaukset suoritettiin SPECIM ImSpector N25E-SWIR NIR viivaspektrikameralla lähi-infrapuna-alueella (NIR) [1000-2500 nm] ja näkyvällä aallonpituusalueella (VIS) Cambridge Research Instruments Nuance™ EX LCTF-kameralla (LCTF-Liquid Crystal Tunable Filter) [450-950 nm]. Hakemittausten
21
koejärjestely on esitettynä kuvassa 4.3.2. Lisäksi VIS-alueen vertailevassa mittausjärjestelmäsimuloinnissa vertailtiin Nikon D800 RGB-kameran ja 7-kanavaisella Fluxdatan spektrivideokameran simuloituja RGB-arvoja ja niiden
vasteherkkyysdataa sekä standardi-D65 päivänvalodataa. Luokiteltu spektrinen heijastudata mitattiin siis sekä VIS-, että NIR-alueella ja mittauksissa ja
mittausdataa analysoitaessa huomioitiin kosteuden vaikutus spektreissä erityisesti NIR-alueella. Varsinaiset kuvantavien mittausjärjestelmien vertailut
suoritettiin vain VIS-alueella neljän eri simuloidun spektrikuvantavan järjestelmän kesken: 1)Spektrikuvantava järjestelmä (LCTF-kamera) 2)simuloitu
RGB-kameradata 3)7-kaistainen spektrikuvantava järjestelmä 4)Järjestelmä,
joka koostui optimaalisesti valituista aallonpituuskaistoista (testattiin useita eri
aallonpituuskaistayhdistelmiä).
Tuloksista (esim. K-nn –menetelmä ja Cohenin Kappa-analyysi) havaittiin,
että spektrikuvantava LCTF-kamerajärjestelmää käyttämällä puulajikkeet
voitiin luokitella kaikkein tarkimmin, mutta hitautensa vuoksi järjestelmä ei
sovellu hakkeen online-luokitteluun. Vastaavasti huonoimman luokittelutuloksen antoi RGB-datan käyttäminen. Tätä parempi tulos saatiin kaupallista
7-kanavaista Flux-data –videokamerajärjestelmää käyttämällä. Vieläkin tätä
tarkempi luokittelutulos kuitenkin tuli simuloidulla (optimaalisesti valituilla)
10-spektrikanavan kamerajärjestelmää käyttäen. Teoriassa online-sovelluksiin
paras menetelmä voisi olla käyttää Flux-data videokameraa. Tosin ongelmana
tämän järjestelmän käyttämisessä linjalla on laitteiston erittäin korkea hinta.
Niinpä puulajiluokittelun kannalta voisikin olla paras kehittää erinäisiä filtterimenetelmiä apuna käyttäen esim. simulointien mukainen 10-kanavainen
optimaalinen mittausjärjestelmä, jossa käytettäisiin lisäksi apuna hankkeessa
mitattujen eri haketyyppien fluoresoivien ominaisuuksien tunnistusta.
KOIVU KUUSI KUVA 4.3.2. Hakemittausten koejärjestelyn kaaviokuva.
MÄNTY
KUVA 4.3.1. Spektrikuvantavilla mittalaitteilla kuvatut koivu, kuusi- ja
mäntyhakenäytteet. Huomaa fluoresoivia ”kellertäviä” hakekomponentteja männyn hakekuvassa oikealla.
22
23
5 PROSESSILAITTEIDEN ERI
ILMIÖIDEN KUVAUS-/
MITTAUSJÄRJESTELMIEN
KEHITTÄMINEN SEKÄ MENE TELMIEN SOVELTAMINEN ALUEEN PERUSTUTKIMUKSEEN
5.1HAIHDUTTAMOKUVAUKSET
(FIBERLABORATORY JA 3K-TEHDAS)
KUVA 5.1.1. Kuvausjärjestely sellutehtaalla A
Ensimmäiseksi tutkittavaksi prosessilaitteeksi valittiin sellutehtaan haihdutin.
Haihduttamo on merkittävä osa sellutehdasta. Haihduttamon päätehtävä on
poistaa vettä mustalipeästä, jotta mustalipeä voidaan polttaa soodakattilassa. Samalla haihduttamo tuottaa huomattavan määrän puhdasta vettä käytettäväksi
prosessissa. Lisäksi haihduttamolla otetaan talteen sivutuotteita, kuten tärpättiä, metanolia ja suopaa. Andritz Oy tarjosi mahdollisuuden päästä kuvaamaan
heidän valmistamaansa haihdutinyksikköä sekä suunnitteli ja asennutti näihin
tarvittavat kuvantamisyhteet. Ensimmäisessä vaiheessa määritettiin tarkoitukseen soveltuva kuvauslaitteisto. Yhteistyössä kuitulaboratorion, 3k-tehtaan ja
Andritzin kanssa ja testattiin se käytännössä. Haihduttamon alkupään kuvaukset osoittautuivat erittäin haasteelliseksi kuvauslinssin nopean likaantumisen
johdosta, joten niistä päätettiin luopua ja keskittyä puhtaampaan loppupäähän.
Sellutehdas A:n kuvauskohde oli haihduttimeen menevä sekundäärihöyryputki, johon suihkutetaan lauhdetta sen puhdistamiseksi VOC-kaasuista. Neste
ja höyrystynyt VOC otetaan talteen seuraavassa haihdutusvaiheessa. Höyry on
alipaineessa, kuivaa ja väritönta. Lauhteen suihkutus aiheuttaa höyrylle kyllästymistä ja valkoisen värin. Kuvauksen tarkoitus oli selvittää nesteen käyttäytymistä höyryputkessa.
24
KUVA 5.1.2. Kuvausjärjestely tehtaalla A.
25
Kelvollista kuvamateriaalia saatiin aikaiseksi, mikäli lauhteensyötön määrä on
pieni. Suuri lauhteensyöttö aiheuttaa voimakkaan valkoisen värin, eikä tyydyttävää kuvaa saada. Neste näyttää kuvamateriaalin perusteella kulkevan putken
seinämällä, mikä on toivottava olotila.
Sellutehdas B:n haihduttamolla kuvauskohteina olivat pintalauhduttajalle ja
6-yksikölle menevät höyryputket. Kuvausjärjestely oli samanlainen kuin tehtaalla A. Kun lauhteensyöttö oli pois päältä, saatiin erittäin tarkkaa kuvaa.
KUVA 5.1.5. Kuvat tehtaalla B pienellä lauhteensyötöllä.
Tutkimuksissa ei täysin onnistuttu, mutta kyettiin rakentamaan erinomainen
kuvauslaitteisto ja kehittämään toimiva menetelmä erittäin vaikean kohteen
tutkimiseksi.
KUVA 5.1.4. Kuvat tehtaalla B ilman lauhteensyöttöä.
Pienikin lauhteensyötön määrä aiheutti erittäin voimakkaan valkoisenharmaan sumun, joka esti kelvollisen kuvan saamisen. Valolähteen muuttaminen
jatkuvasta LED-valosta LED-stroboskoopiksi ei parantanut tilannetta.
26
5.2 TOMOGRAFIA (FIBERLABORATORY, LUT/MVPR)
FiberLaboratoryn ja UEF/Kuopio yhteistyönä on aiemmin kehitetty prosessitomografiaa prosessilaitteissa tapahtuvan turbulenssin ja sekoittumisen havainnoimiseksi käytäntöä vastaavissa olosuhteissa. Tomografialla pystytään jo
mittaamaan ilmiöitä, joita millään muulla menetelmällä ei voida mitata, esim
havainnoimaan kaasujen sekoittumista sulppuun sekä voidaan laskea sekoittumistehokkuutta kuvaavia tunnuslukuja. Tässä projektissa ko. tutkimuksia
jatketiin ja tavoitteena oli ensisijaisesti parantaa menetelmän hyödynnettävyyttä sekoittumiseen liittyvässä kehitystyössä. Tomografiamittauksella pystytään
tarkastelemaan esimerkiksi lämpimään keskisakeaan massaan sekoitettavan
kylmän kemikaalin sekoittumista. Tomografiamittauksia onkin tehty paljon
asiakkaiden koeajojen yhteydessä, jolloin on voitu verrata tomografian osoittamaa sekoitustulosta lämpötilamittausmatriisin osoittamiin arvoihin. Läm27
pötilamatriisista ei kuitenkaan voida yksiselitteisesti päätellä esimerkiksi kylmän kemikaalin tunkeutumista massaan, mistä syystä tomografiamittaus on
osoittautunut erittäin hyväksi mittausmenetelmäksi vastaavanlaisissa koejärjestelyissä ja mittausdata arvokkaaksi asiakkaan kannalta. Tomografiamittausta tullaan hyödyntämään ja kehittämään jatkossa palvelutoiminnassa ja mm.
TEKES/FLASH hankkeen tutkimuksissa. Alla olevissa kuvissa on tomografialaitteisto sekä esimerkki kolmiulotteisesta mittaustuloksen visualisoinnista.
5.3LÄMPÖVUOMITTAUS
(FIBERLABORATORY JA 3K-TEHDAS)
Lämpövuomittauksen testauksia on tehty Kuitulaboratoriossa aiemmin yhteistyössä LUT:n Prof. Andrey Mitiakovin kanssa. Tässä hankkeessa rakennettiin
mittausjärjestelmä (kuva 5.3.1) ja testattiin anturin kykyä detektoida kaasun
sekoittumista kuitulaboratorion MC-luupissa (ks. kuva 5.2.1). Lämpövuon
mittaus on periaatteessa erittäin nopea, yksinkertainen ja selektiivinen menetelmä kaasun detektointiin nestefaasista ja siten sille voisi löytyä paljonkin
sovelluksia prosessiteollisuudesta. Esim MC-luupissa sekoittumisen mittaamiseen käytetty lämpötilamittaus on hidas (1 hz) eikä sillä voida detektoida
kaasurajapintoja. MC-luupissa tehdyillä mitauksilla (kuva 5.3.2) osoitettiin,
että lämpövuomittauksella voidaan havainnoida kaasurajapintoja prosessiolosuhteissa. Lisäksi LUT/MVPR rakensi signaalin käsittelymenetelmän jolla signaalista voidaan automaattisesti määrittää kaasun “kuplakoko” (kuva 5.3.3).
Lämpövuomittauksen ja sovellusten tutkimuksia jatkettiin erillisessä Tekes/
Tutli/Demis hankkeessa yhteistyössä LUT:n sähkötekniikan osaston kanssa.
KUVA 5.2.1. Kuitulaboratorion MC-luupin koeasema sisältäen tomografialaitteiston, lämpötilamittausanturit sekä MC-sekoittimen. Oikealla
esimerkkikuva tomografiamittauksen reaaliaikaisesta visualisoinnista.
KUVA 5.3.1. Lämpövuomittausanturi ja mittausjärjestelmä.
28
29
5.4 DD-PESURIN SIHDIN SAOSTUMAKUVAUKSET
(FIBERLABORATORY,UEF JA 3K-TEHDAS)
Projektissa kehitettiin menetelmää DD-pesurin sihtilevyä tukkivan orgaanisen
tai epäorgaanisen saostuman (BaSO4, CaC2O4) havainnointiin ja online-monitorointiin. Saostuman muodostuminen on ongelmallista prosessin kannalta,
sillä se vaikuttaa negatiivsesti pesutulokseen mutta toisaalta sihtilevyn tukkeutumista ei pystytä havaitsemaan prosessin mittausdatasta. Saostumaa muodostuu DD-pesurin sihtipinnalle (kuva 5) hyvin hitaasti, mutta lopulta saostuman
tukkiessa sihtilevyn reiät pesutulos huononee niin paljon että pesuri joudutaan
pysäyttämään ja saostuma poistamaan mekaanisesti.
KUVA 5.3.2. Lämpövuosignaali mitattuna MC-luupista happisekoittimen jälkeen eri kaasumäärillä 100 hz mittaustaajuudella.
KUVA 5.4.1. Näytepala saostuman tukkimasta DD-pesurin sihtilevystä.
KUVA 5.3.3. LUT/MVPR:n kehittämä piikkien tunnistus lämpövuosignaalista.
30
31
Projektissa lähdettiin kehittämään kuvantamistekniikkaan perustuvaa menetelmää saostuman monitorointiin. Kysymyksiä herätti heti ajatus, voisiko
fluoresoivalla valolla saada tehokkaammin havaintoja saostumasta ennen kuin
saostuma alkaa näkyvästi edes tukkia sihtilevyn reikiä. UEF:n spektriryhmä testasi mittausmenetelmää sihtilevynäytteisiin ja mittaus todettiin mahdolliseksi,
mikäli saostuman spektri pysyisi jotakuinkin samanlaisena. Mikäli spektrimittauksella skannattaisiin kaikki mahdolliset aallonpituudet, tulisi mittauksesta
liian hidas prosessimittausmenetelmäksi. Ensimmäinen mittalaitteiston prototyyppi tehtiin normaalilla valolla toimivaksi, ja laitteisto olikin valmiina, mutta projektin aikataulujen puitteissa ei ehditty järjestämään mittauskoekäyntiä
sopivalle sellutehtaalle. Kuvassa 5.4.2 on esitetty kuvauskohde konepajalla ja
mittauslaitteisto sekä kuvassa 5.4.3 mittauslaitteistolla saatavaa kuvaa.
Tukkeutunutta sihtiä kuvattiin ensin päivänvalossa (valotusaika 1/40 s) (Kuva
5.4.4 a), jolloin sihdissä nähdään mustat aukot kun tukkeumia ei ole. UV-valossa (aallonnpituus = 365 nm, valotusaika 10 s) saostumatukkeumat ja jopa myös
alkavat saostumat mustien aukkojen ympärillä havaitaan sinertävinä ympyröinä
(Kuva 5.4.4 b). Koska DD-pesurin toiminnassa ollessa pesurin sihti pyörii ja
kuvausolosuhteet (mm. lämpötila ja kosteus) ovat haastavat fluoresenssin detektoinnin kannalta jouduttaisiin online-mittauksissa käyttämään voimakasta
optimoitua fluoresenssia virittävää valonlähdettä kuten pulssilaseria lisäksi fluoresenssidetektorilta/kameralta vaaditaan riittävää herkkyyttä. Käyttämällä riittävän tehokasta fluoresenssin viritysvalonlähdettä laboratoriomittauksissa havaittua fluoresenssimittauksien vaatimaa detektorin pitkää valotusaikaa voidaan
lyhentää online-mittausten vaatimusten mukaiseksi. Tosin ko. mittauslaitteisto
voi olla kustannuksiltaan melko korkea. Edellisten mittausmenetelmien lisäksi voidaan DD-pesurin sihdin tukkeumia tarkastella kynnystämismenetelmien
avulla (kuva 5.4.5) ja fluoresenssimenetelmän ja kynnystämismenetelmien yhdistelmä parantaa saostumien muodostumisen havaitsemista.
KUVA 5.4.2. DD-pesuri sekä pesurin saostuman mittaamiseen
kehitetty laitteisto.
KUVA 5.4.4. DD-pesurin sihdin saostuma päivänvalossa (a) ja
UV-valaistuksessa (b).
KUVA 5.4.3. Pesurin sihtilevy sekä kuvauspää (vas.) ja esimerkki
laitteistolla saatavasta kuvadatasta.
32
33
KUVA 5.5.1. Esimerkki kaksoisvalotetusta kuvasta.
KUVA 5.4.5. DD-pesurin puhdas sihti (a), tukkeutunut sihti (b), kynnystetty kuva puhtaasta sihdistä (c) ja kynnystetty kuva tukkeutuneen
sihdin aukoista (d). Kuvan kynnystäminen tietystä pikseliarvosta tarkoittaa kuvan harmaasävyarvojen jakamista kuvautumaan kahteen ryhmään
(binäärikuvaksi).
Projektissa vertailtiin kahta menetelmää kuituvirtauksen määritäämäiseksi
kaksoisvaloitetutuista kuvista. Toinen menetelmistä perustui autokorrelaatioon ja toinen Particle Image Pattern (PIP) -tekniikkaan. Menetelmiä testattiin sekä normaaleista kerran valotetuista kuvista warping-tekniikalla luoduilla
synteettisillä kuvilla että CEMIS-Oulun tuottamalla oikealla kaksoisvalotetulla kuvadatalla. PIP-menetelmän onnistui kuvajoukosta riippuen arvioimaan
oikein 74-84% liikevektoreista ollen menetelmistä tarkempi. Autokorrelaatiomenetelmä saavutti vastaavasti 66-71% tarkkuuden, mutta oli laskennallisesti
tehokkaampi. Menetelmät ja tulokset on raportoitu yhdessä konferenssiartikkelissa [LUT10] ja diplomityössä [LUT12].
5.5 KUITUJEN LIIKKEEN TUNNISTUS
(CEMIS-OULU JA MVPR)
Kaksoisvalotettuja kuvia (kuva 5.5.1) voidaan käyttää virtauksen karakterisointiin. Jotta kuituvirtauksen suunta ja nopeus voidaan päätellä, tulee kuitujen sijainti pystyä selvittämään kahdella eri ajanhetkellä. Kuvapohjaisesti
tämä voidaan toteuttaa joko käyttämällä hyvin nopeaa kuvanopeutta, jolloin
samat kuidut on mahdollista nähdä peräkkäisissä kuvissa, tai käyttämällä kahta
lyhyttä peräkkäistä valopulssia ja “valottamalla” samaa kuvaa molempien pulssien aikana. Näistä jälkimmäinen tapa (kaksoisvalotus) on usein käytännössä
helpompi ja halvempi toteuttaa, kun virtauksen nopeus on suuri ja kuvausolosuhteet vaikeat.
34
35
6 MC-MASSAN NESTE-KAASU DISPERSIOILMIÖIDEN
HALLINTA KUVANTAMISTEKNOLOGIOILLA
(FIBERLABORATORY JA MVPR)
Tässä osiossa keskityttiin kaasumaisten valkaisukemikaalien sekoittamisen
parempaan ymmärtämiseen ja optimointiin. Vaikka kaasua sekoitetaan massasuspensioon lähes kaikissa sellutehtaissa, ei vieläkään tiedetä tarkasti, miten
ja millä energiamäärällä kaasun sekoittaminen kuitu-vesi-suspensioon tulisi
tehdä, jotta kaasun liukeneminen suspension nestefaasiin olisi mahdollisimman tehokasta ja tasaista sekoitushetkestä aina reaktoritornin huipulle saakka.
Yleisesti pidetään mahdollisimman pientä sekoituksella aikaansaatua kuplakokoa parhaimpana. Toisaalta mitä pienempään kuplakokoon pyritään, sitä
enemmän sekoitukseen on käytettävä energiaa. Tavoitteena oli uuden kuvantamismenetelmän avulla ymmärtää kaasun käyttäytyminen paremmin ja löytää sekoituksella aikaansaatu optimaalisin kuplakokojakauma kullekin sovellukselle. Kuvantamiseen liittyvän tekniikan, kuten kameroiden, valaistuksen
sekä tunnistusalgoritmien, tehokkuuden nopea kehitys on mahdollistanut
vasta hiljattain tämän mittaluokan asioiden tarkastelun. Kuvantavia mittausmenetelmiä oli aiemmin kokeiltu myös muissa kohteissa Kuitulaboratoriossa
tehdyissä tutkimuksissa ja opinnäytetöissä, joten olemassa olevaa tietotaitoa ja
laitekantaa haluttiin hyödyntää laajemmin erilaisiin sovelluksiin.
geenisuutta neljän eri kuvausyhteen välillä. Tämän jälkeen mittausmenetelmää
sovellettiin pilot-mittakaavan kokeisiin Kuitulaboratorion koehallin MC-luupissa. Mittauslaitteiston pääkomponentit ovat konenäkökamera, boroskooppi
sekä valonlähde. Käytetyt kameramallit olivat Allied Vision Technologies Guppy F-046B (780 x 582 pikseliä), FOculus FO531TB (1600 x 1200 pikseliä) ja
Allied Vision Technologies Guppy Pro F-503B (2588 x 1940 pikseliä), joista
viimeisin on edelleen käytössä nykyisessä mittauslaitteistossa. Mittauslaitteiston optiikkana käytetään Richard Wolfin 6.10028.00 -boroskooppia, joka on
kiinnitetty kameraan Richard Wolf 51-kamerasovitteella. Valonlähteenä käytettiin aluksi kahta rinnankytkettyä Contrôle Recherche Industrien ST-15E
stroboskooppia, jotka myöhemmin korvattiin Cavilux Smart -pulssilaserilla.
Syinä pulssilaserin käyttöön ovat korkeampi valoteho, nopeammat valopulssit
ja valon sopiva aallonpituus ruskean massan kuvantamissovellukseen.
Mittausmenetelmän skaalaus teolliseen mittakaavaan aloitettiin esikokeilla ns.
sivuvirtausmenetelmällä; kokeita varten tehtiin kuitulinjan näytteenottimeen
kiinnitettävä putki (kuva 6.1.1, vasen), jonka kautta massaa voitiin johtaa pieniä
määriä kanaaliin ja samalla kuvata mittauslaitteistolla hapen dispersiota. Kun esikokeilla oli varmistettu laitteiston toimivuus myös teollisessa ympäristössä, alettiin
suunnitella pysyviä mittausyhteitä ja selvitellä mahdollisuuksia yhteiden asentamiseksi. Yhteet sekä yhteisiin mittausten ajaksi kiinnitettävän sensoriosan suunnitteli ja toimitti Vantaalla toimiva Janesko/K-Patents. Kaksi yhdettä asennettiin
suomalaisen havusellua valmistavan tehtaan happivaiheeseen syksyllä 2013, yksi
asennettiin vielä kesällä 2014. Yksi yhde on sijoitettu ensimmäisen happivaiheen
sekoittimen jälkeen, yksi happitornin syöttöön ja yksi toisen happivaiheen sekoittimen jälkeen. Kuvassa 6.1.1 on vasemmalla esitetty sivuvirtamenetelmän mittaus
ja oikealla suoraan kuitulinjaan kiinnitettyyn yhteeseen sijoitettu mittalaite.
6.1 KUVANTAVAN MITTAUSMENETELMÄN KEHITYS
Kuvantavaa mittausmenetelmää kehitettiin ja kokeiltiin ensiksi kolmessa diplomityössä laboratorio- ja pilot-ympäristössä Kuitulaboratoriossa (Rantala
2010, Mutikainen 2011, Kumpulainen 2011). Mittausmenetelmää käyttäen
dispersiotutkimukset aloitettiin Quantum Mark IV -laboratoriosekoittimessa.
Kokeissa tarkasteltiin sekoituksen parametrien vaikutusta hapen kuplakokoon,
kappareduktion ja kuplakoon välistä korrelaatiota sekä happidispersion homo36
37
KUVA 6.1.1. Sivuvirtausmenetelmän mittauslaitteisto kiinnitettynä
kuitulinjan näytteenottimeen (vasen) ja mittauslaitteisto kiinnitettynä
kuitulinjan yhteeseen (oikea).
Mittausmenetelmällä ei optiikan rajoitusten vuoksi saada kovinkaan hyvää syvyysterävyyttä, joten kuplien koon määritys perustuu kuva-alan visuaalisesti
määritettyihin dimensioihin. Kuva-ala laboratoriossa ja sivuvirtauskokeissa oli
2,71 x 2,0 mm resoluutiolla 1600 x 1200 pikseliä ja tehdasmittakaavan kokeissa 1,75 x 1,31 mm resoluution ollessa 2588 x 1940 pikseliä. Aluksi tulokset
määritettiin laskentaan tarkoitetulla ohjelmalla merkkaamalla kuplat kuvista
silmämääräisesti, kuitenkin samalla kehittäen rinnalla automaattista menetelmää. Automaattisen laskentamenetelmän kehitti MVPR-laboratorio Kuvassa
6.1.2 on esitetty alkuperäinen esimerkkikuva tehdasmittauksista sekä manuaalista laskentaa varten muokattu versio.
Laboratoriosekoittimella tehdyissä kokeissa todettiin, että sekoittimen roottorin nopeus sekä suspension sakeus olivat eniten hapen kuplakokoon vaikuttavat tekijät sekoituksen aikana. Roottorin nopeuden taas todettiin olevan
tärkein kappareduktioon vaikuttava tekijä. Laboratorio-olosuhteissa mittausmenetelmällä pystyttiin havaitsemaan parhaimmillaan hieman alle 10 µm kokoisia kuplia. Pilot-loopissa tehdyissä kokeissa virtausmäärän ja sekoittimen
roottorin pyörimisnopeuden todettiin selvästi vaikuttavan mittauksella havaittuun kuplakokoon. Mittauksella pystyttiin määrittämään optimaaliseksi sekoittimen roottorin pyörimisnopeudeksi 1500 min-1 ja optimaaliseksi massan
virtaukseksi määritettiin 20 l/s, mikä tarkoitti noin 0,90 m/s virtausnopeutta
massalle putkistossa sekoittimen jälkeen. Tuloksista pystyttiin havaitsemaan
myös kuplakoon kasvamista sekoittimen jälkeisessä putkistossa. Tuloksia näistä Kuitulaboratoriossa suoritetuista kokeista julkaistiin kootusti vertaisarvoidussa artikkelissa Appita Journalissa alkuvuodesta 2014 (Mutikainen, Peltonen, Tirri, Käyhkö 2014).
Tehdasmittaukset sivuvirtausmenetelmällä aloitettiin syksyllä 2012. Sivuvirtausmenetelmän kokeissa ainoaksi muuttujaksi valittiin sekoittimen roottorin
kierrosnopeus. Kuvassa 6.1.3 on esitetty tilavuuspainotettu kumulatiivinen
kuplakokojakauma sekoittimen roottorin eri pyörimisnopeuksilla sekä keskimääräinen kuplakoko sekoittimen kierrosnopeuden funktiona.
KUVA 6.1.3. Sivuvirtausmenetelmällä määritetty hapen tilavuuspainotettu kuplakokojakauma (vas.) ja keskimääräinen kuplakoko sekä kuplakoon keskihajonta 10 % massasuspensiossa suomalaisen havusellutehtaan kuitulinjan happivaiheessa.
KUVA 6.1.2. Esimerkkikuva hapen dispersiosta massasuspensiossa
kuvattuna happitornia edeltävästä yhteestä suomalaisella havusellulinjalla. Sekoittimen kierrosnopeus 1100 min-1, sakeus 10 %, happiannos 12 kg/t. Kuvan dimensiot 1,75 x 1,31 mm.
38
39
Sivuvirtausmenetelmät varmistivat, että mittausmenetelmä voisi soveltua myös
oikeissa prosessiolosuhteissa mittaamiseen. Mittaustulokset olivat suuntaa antavia, vaikka esimerkiksi paine oli mittausputkessa vain noin 7,5 baaria mikä
oli paljon prosessissa vallitsevaa noin 11 baarin painetta alhaisempi.
Yhteet päälinjaan samaisen tehtaan happivaiheeseen asennettiin syksyllä 2013.
Sivuvirtauskokeiden pohjalta jatkettiin kokeita tarkastellen ensiksi sekoittimen
roottorin kierrosnopeuden vaikutusta happikaasun dispersioon kahdesta eri
yhteestä mitattuna. Kokeiden perusteella todettiin mittausmenetelmä toimivaksi ja roottorin kierrosnopeudella olevan selvä yhteys happikuplien kokoon
ja kuplakokojakaumaan kuitususpensiossa. Seuraaviin kokeisiin valittiin myös
happiannos muuttujaksi. Kuvassa 6.1.4 on esitetty hapen tilavuuspainotettu
kumulatiivinen kuplakokojakauma kahdella sekoittimen roottorin eri pyörimisnopeudella.
KUVA 6.1.4. Hapen tilavuuspainotettu kumulatiivinen kuplakokojakauma 10 % massasuspensiossa suomalaisen havusellutehtaan kuitulinjan happivaiheessa sekoittimen roottorin pyörimisnopeuksilla 1200
min-1 ja 1380 min-1 eri happiannoksilla.
Kuvasta 6.1.4 voidaan todeta happiannoksen vaikuttavan melko paljon hapen
kuplakokojakaumaan; esimerkiksi vasemmanpuoleisesta kuvasta voidaan todeta 20 kg/t happiannoksen olevan selkeästi liian suuri sekoittimen roottorin
pyörimisnopeudelle 1200 min-1, jotta aikaansaataisiin homogeeninen happidispersio optimaalisen delignifiointituloksen takaamiseksi. Tämä sekoittimen
kierrosnopeus on melko tavanomainen kyseisellä kuitulinjalla, kuten myös
alin kuvissa esitetty happiannos 12 kg/t. Oikeanpuoleisesta kuvasta voidaan
todeta, että käytetyn sekoittimen maksiminopeudella 1380 min-1 tehdyissä
kokeissa ei havaitussa happikaasun kuplakokojakaumassa ollut mainittavaa
eroa eri happiannoksia käytettäessä.
40
6.2 AUTOMAATTISET MENETELMÄT
KUPLAKOKOJAKAUMAN MÄÄRITTÄMISEKSI
Projektissa kehitettiin ja testattiin useita menetelmiä kuplien kokojakauman
automaattiseen määrittämiseen kuvista. Valtaosa tehdystä tutkimuksesta painottui kuvankäsittelymenetelmien kehittämiseen kuplien löytämiseksi kuvista,
mutta lisäksi kehitettiin menetelmä, jolla kuplien kokojakaumaa voitiin arvioida kuvassa esiintyviä taajuuksia hyväksikäyttäen suoraan kuplia paikantamatta.
Kehitetyt kuvien paikantamismenetelmät voidaan jakaa kahteen luokkaan:
1) kuplien geometriseen malliin perustuvat menetelmät ja 2) kuplien ulkonäköön perustuvat menetelmät. Ensimmäisen luokan menetelmissä kuplia etsitään perustuen kuplien reunoihin ja kuplan (ympyrän) geometriseen malliin käyttäen äänestystekniikoita. Tähän luokkaan kuuluvia menetelmiä ovat
yleisesti käytetty Hough-muunnos (HT) sekä projektissa kehitetty Concentric
Circular Arrangement (CCA) -menetelmä. Jälkimmäisestä kehitettiin lisäksi
moniskaalaversio, jonka avulla eri kokoluokan kuplien paikantamistarkkuutta
saatiin parannettua.
Kuplien ulkonäköön perustuvissa menetelmissä koko kuva käydään läpi liukuvan ikkunan menetelmää (sliding window) käyttäen siten, että kutakin kohtaa
(ikkuna) kuvasta verrataan opittuun kuplan ulkonäkömalliin ja tehdään päätös onko kyseessä kupla vai ei. Projektissa testattiin useita erilaisia kuvapiirteisiin perustuvia ulkonäkömalleja ja luokittimia, joilla alue luokiteltiin joko
taustaksi tai kuplaksi. Testatut menetelmät olivat hyvin nopeaan WaldBoost
-luokittimeen perustuvat Local Binary Pattern (LBP)- ja päätöspuumenetelmät (WBT), AdaBoost -luokittimeen perustuva Aggregated Channel Features
(ACF) -menetelmä sekä konvoluutioneuroverkkoihin (CNN) perustuva menetelmä, jossa käytettävät piirteet opittiin opetusdatasta.
Kehitetyssä taajuuspohjaisessa menetelmässä (Power Spectrum) kokojakauma
arviointi suoraan kuvasta perustuu oletukseen, että pienet kuplat aiheuttavat
suuritaajuista vaihtelua kuviin, kun taas suuret kuplat pienitaajuista. Kuvissa
esiintyvien taajuuksien ja manuaalisesti määritettyjen kuplakokojakaumien välille kehitettiin malli, jota voidaan käyttää kokojakauman arviointiin.
Esimerkkituloksia eri menetelmille on esitetty kuvissa 6.2.1 ja 6.2.2. Kuvassa 6.2.3 on esitetty eri menetelmillä määritettyjä kuplien kokojakaumia.
CNN-menetelmä saavutti selkeästi suurimman kuplien paikantamistarkkuuden löytäen 79.7% asiantuntijan merkitsemistä kuplista ja vain 15.3% sen
löytämistä kuplista oli virheellisiä. CNN antoi myös tarkan estimaatin kuplien
kokojakaumalle. CNN:n ongelma on kuitenkin pitkä laskenta-aika. Yhden
kuvan analysointiin kuluu nykyisellä toteutuksella henkilökohtaiselta tietokoneelta noin tunti. WaldBoost-luokittimeen perustuvat LBP- ja WBT-menetelmät toimivat myös varsin hyvin kokojakauman estimoinnissa ja ovat lisäksi
41
hyvin nopeita laskea mahdollistaen jopa prosessin reaaliaikaisen hallinnan.
Taajuuspohjainen Power Spectrum -menetelmä on paitsi hyvin nopea laskea
myös nopea opettaa, mikä mahdollistaa paitsi realiaikaisen prosessinhallinnan
myös mallin jatkuvan päivittämisen. Menetelmän ongelma on suuri herkkyys
kokojakauman nopeille muutoksille. CCA-menetelmä toimii hyvin hyvälaatuisilla kuvilla, joissa kuplia on vähän, mutta muuttuu epäluotettavaksi kohinan ja kuplien määrän lisääntyessä. Menetelmän hyvä puoli on yksittäisten
löytyneiden kuplien tarkka koonmääritys. Toisin kuin liukuvaan ikkunaan perustuvilla menetelmillä, joilla koon määritys perustuu ikkunan kokoon, kuplan koko pystytään määrittämään pikselin tarkkuudella. Se mikä menetelmistä kannattaa valita riippuu sovelluskohteesta ja siitä kumpi on kriittisempää,
menetelmän nopeus vai tarkkuus. Menetelmät ja tulokset on raportoitu yhdessä lehtiartikkelissa [MAMK01], kolmessa konferenssiartikkelissa [LUT06,
LUT08, LUT09] sekä yhdessä arvioitavana olevassa lehtiartikkelissa [LUT02].
(a)
(b)
(c)
(d)
(e)
(f )
KUVA 6.2.2. Kuplandetektointituloksia suurella roottorin pyörimisnopeudella (1380rpm): (a) Alkuperäinen kuva; (b) CCA; (c) LBP; (d)
WBT; (e) ACF; (f ) CNN.
(a)
(b)
(c)
(d)
(e)
(f )
KUVA 6.2.1. Kuplan detektointituloksia matalalla roottorin pyörimisnopeudella (1000rpm); oikein löydetyt kuplat on merkitty keltaisella,
löytämättä jääneet kuplat sinisellä ja menetelmien virheellisesti löytämät
ylimääräiset kuplat punaisella: (a) Alkuperäinen kuva; (b) CCA; (c) LBP;
(d) WBT; (e) ACF; (f ) CNN.
42
KUVA 6.2.3. Automaattisilla menetetelmillä määritetyt kuplakokojakaumat.
43
Hankkeessa kehitettiin myös MAMK/Yrjö Hiltusen toimesta vertaileva menetelmä happikuplien koon automaattiseen määrittämiseen digitaalisten kuvien
perusteella. Kuva-aineisto oli peräisin kappaleessa 6.1 esitetyistä tehdaskokeista. Lähtökohtana oli, että analyysimenetelmää voitaisiin soveltaa online-mittausten yhteydessä, mistä johtuen sen pitäisi olla suhteellisen nopea ja robusti.
Tältä pohjalta kehitettiin uusi kuva-analyysimenetelmä happikuplien karakterisointiin sellunvalkaisuprosessissa. Koko proseduuri yhden happidispersiokuvan osalta kestää noin neljä sekuntia, mikä avaa uusia mahdollisuuksia jopa
prosessin säädön kannalta.
Menetelmä ja sen validointi sekä tulokset on raportoitu tarkemmin konferenssiartikkelissa [MAMK04]. Saavutettujen tulosten perusteella kuva-analyysimenetelmällä pystytään mittaamaan happikuplien kokoa automaattisesti.
Kuvassa 6.2.4 on esitetty menetelmällä määritetty keskimääräinen kuplakoko
pilotin kahdessa eri mittausyhteessä (ensimmäisen happivaiheen sekoittimen
jälkeen ja happitornin syötössä) eri sekoitusnopeuksilla. Toistaiseksi ei vielä
tiedetä, mikä on optimaalinen kuplakoko optimaalisen happivalkaisun saavuttamiseksi pienimmällä mahdollisella happiannoksella ja sekoitusnopeudella,
mutta kehitetty menetelmä avaa uusia mahdollisuuksia näiden asioiden tutkimiseen.
KUVA 6.2.5. OBSeeker-ohjelma, jolla voidaan määrittää automaattisesti
happikuplien ominaisuuksia sellunvalkaisuprosessissa.
Analyysimenetelmän lisäksi kehitettiin siihen perustuva tietokoneohjelmisto,
jolla voidaan suodattaa kuvia manuaalisesti tai automaattisesti sekä automatisoida kuvankäsittely ja analyysi (ks. Kuva 6.2.5).
KUVA 6.2.4. Kuplien keskimääräinen halkaisija mikserin sekoitusnopeuden funktiona.
44
45
7 FLUORESENSSIN JA SPEKTRIN
MÄÄRITYS ERI VAIHEISTA PROSESSIA
(UEF JA FIBERLABORATORY)
7.1 SUOVAN FLUORESENSSITUTKIMUKSET
Sellunjalostusprosessin keittämisvaiheessa keittohakkeeseen lisätään valkolipeää, jonka tarkoituksena on poistaa selluloosakuituja sitova ligniini. Keitettäessä noin 150-170 °C lämpötilassa massasta irtoava ligniini värjää lipeän
tummaksi, jolloin sitä kutsutaan mustalipeäksi, joka on jäteliuos. Mustalipeä
johdetaan haihduttimessa tapahtuvan väkevöinnin jälkeen soodakattilaan, jossa siitä otetaan prosessissa hyödynnettävissä olevat kemikaalit, ja energia talteen. Mustalipeään liuenneet uuteaineet erotetaan suovan erotuksessa.
Suovan erotus on tärkeä osa kemiallisen massan valmistusprosessia. Puu sisältää
2-4 % suovan muodostavia uuteaineita ja ko. ainevirran hallinta ja tuotot ovat
hyvin merkittäviä sellutehtaan kokonaistalouden kannalta. Erotetun suovan
vesipitoisuus pitäisi saada mahdollisimman alhaiseksi ja haihduttamoon sekä
massan mukana kulkeutuvan suovan määrä mahdollisimman pieneksi. Lipeän
erotus suovasta on teknisesti haastava ja prosessin talouden kannalta tärkeä
prosessivaihe. Lisäksi mm. mäntyöljyn hinta on lyhyessä ajassa kolminkertaistunut mikä lisää kiinnostusta suovan erotusprosessin kehittämistä kohtaan.
Tällä hetkellä suovan erotuksen hallintaan ei ole käytössä on-line mittausmenetelmiä. Tämän tutkimusosion tarkoituksena oli tutkia mahdollisuuksia
mustalipeän suopapitoisuuden määrittämiseksi optisin mittausmenetelmin.
Ensiksi kartoitettiin mustalipeän ja suovan erottelumahdollisuuksia fluoresenssin avulla. Mittauslaitteistona käytettiin bispektrometriä, jolla näytteen
fluoresenssin viritys- ja emissiospektrit voidaan mitata n x n –kokoisena matriisiesityksenä 250-950 nm alueella. Suopa- ja mustalipeänäytteitä kerättiin
mm. eräältä Suomalaiselta sellutehtaalta. Kuvassa 7.3.1 nähdään tyypillinen
suopanäytteen fluoresenssin viritys-emissio –spektrimatriisi.
46
KUVA 7.1.1. Suopanäytteen tyypillinen viritys-emissio – spektrimatriisi, jossa kaksi fluoresenssin viritys-emissiomaksimiaallonpituutta: no 1:
Viritysmaksimi 330 nm, emissiomaksimi 405 nm ja no 2: viritysmaksimi
385 nm ja emissiomaksimi 480 nm.
Näytteessä havaitaan kaksi fluoresenssin viritys-emissiomaksimiaallonpituutta: no:1, jossa viritysmaksimi 300 nm ja emissiomaksimi 405 nm kohdalla
(esiintyy ainoastaan suovassa) ja no:2, jossa viritysmaksimi 385 nm ja emissiomaksimi 480 nm kohdalla (esiintyy myös pelkässä mustalipeässä). Fluoresenssimaksimipiikkien lisäksi suopanäytteistä havaittaan tutkimuksissa useita
pienempiä fluoresenssipiikkejä. Kaiken kaikkiaan suovan erottaminen jo pelkän spektroskopisen fluoresenssierottelun on mahdollista, mutta tämän lisäksi
tutkimusosa-alueeseen liittyen tehtiin myös heijastus- ja läpäisymittauksia, jotka varmentavat erottelumenetelmän luotettavuutta.
Heijastus- ja läpäisymittaukset suoritettiin 200-2500 nm aallonpituusalueella
PerkinElemer Lambda 1050 spektrofotometrillä. Termospulloon (ulkomitat:
korkeus 28 cm ja halkaisija 10 cm) säilötystä mustalipeästä otettiin pipetillä
kaksi näytettä; ensimmäinen noin 5 cm pohjasta (mustalipeää) ja toinen noin
5 cm pinnasta (suopaa). Näytteet valutettiin kvartsilasikyvetteihin, joiden ulkomitat olivat (1,2 × 1,2 × 4,5) cm (leveys × syvyys × korkeus).
Heijastusmittauksen tulos on esitetty vasemmalla kuvassa 7.1.2. Heijastukselle laskettiin myös ensimmäinen derivaatta, joka on nähtävissä kuvassa 7.1.2
oikealla. Kuvasta 7.1.2 nähdään, että mustalipeän heijastus on vähäistä, enimmäkseen noin 3-4 % välillä, joka vastaa visuaalisia havaintoja. Suurin heijas-
47
tusarvo 7 % saavutetaan noin 1000-1200 nm välillä. Heijastusmittauksen
tuloksien perusteella mustalipeän ja suovan heijastusominaisuudet ovat hyvin samanlaiset tutkitulla aallonpituusalueella, joten niiden erotteleminen on
haastavaa heijastusinformaation perusteella.
KUVA 7.1.3. Läpäisymittauksen tulokset. Vasemmalla läpäisy aallonpituuden funktiona ja oikealla läpäisyn ensimmäinen derivaatta aallonpituuden funktiona.
KUVA 7.1.2. Heijastusmittauksen tulokset. Vasemmalla heijastus aallonpituuden funktiona ja oikealla heijastuksen ensimmäinen derivaatta
aallonpituuden funktiona.
Läpäisymittauksen tulos on esitetty vasemmalla kuvassa 7.1.3. Kuvasta nähdään, että pinnasta otetun näytteen läpäisy (noin 33 %) on huomattavasti
parempi kuin pohjalta otetun näytteen (noin 7 %). Läpäisy on mahdollisesti verrannollinen suopapitoisuuteen, jota tulisi tutkia lisää eri pitoisuuksien
avulla tarkemman riippuvuussuhteen selvittämiseksi. Mittauksessa käytetyn
dynamiikan puitteissa kummankin näytteen läpäisy on nollasta poikkeavaa
ainoastaan noin 800-1400 nm aallonpituus-kaistalla.
Läpäisylle laskettiin myös ensimmäinen derivaatta, joka on nähtävissä kuvassa
7.1.3 oikealla. Kuvassa havaitaan neljä selvää piikkiä, joista kaksi on nollatason
alapuolella (noin 800 nm ja 1000 nm) ja kaksi ylä-puolella (noin 1150 nm
ja 1350 nm). Nämä piikit kertovat aallonpituudet, jotka soveltuvat parhaiten
mustalipeän ja suovan erotteluun.
Mahdollinen mittalaite suovan online-mittaamiseen voitaisiin toteuttaa varsin
suoraviivaisesti. Mustalipeävirtaa johdettaisiin prosessista tarkasteltavia aallonpituuksia läpäisevään ohueen putkeen (halkaisija senttimetrien suuruusluokkaa) ja valaistaisiin laajakaistaisella valonlähteellä, esimerkiksi halogeenivalaisimella. Putken toisella puolella sijaitsisivat sensorit, jotka mittaisivat kahta
tarkoin valittua aallonpituutta. Aallonpituudet valittaisiin siten, että ensimmäistä aallonpituutta mustalipeä ei juuri läpäise, esimerkiksi 1500 nm. Toisen aallonpituuden puolestaan tulisi läpäistä mustalipeäliuos mahdollisimman
hyvin ja tähän soveltuu esimerkiksi 1150 nm. Aallonpituuksien läpäisyarvot
mitattaisiin ja laskettaisiin niiden välinen suhde T1500/T1150. Lasketusta
T1500/T1150 -suhteen saataisiin selville suopapitoisuus, kun riippuvuussuhde tunnettaisiin. Aallonpituuksien suhteen käyttäminen on eduksi, sillä se
poistaa laitteistossa tapahtuneiden muutosten, esimerkiksi valonlähteen vaihtelun, vaikutukset. Tämän lisäksi järjestelmässä olisi fluoresenssianalysointia
varten kaksi valonlähdettä (esim LED) 330 nm (suopa) ja 385 nm (mustalipeä) aallonpituuksilla virittämässä fluoresenssia ja edelliset sensori viritettäisiin
myös mittaamaan 405 nm (suopa) ja 485 nm (mustalipeä) aallonpituuksia.
Toki jos vain halutaan detektoida vain yhtä komponenttia (esim. vain suopa)
silloin käytettäisiin virityksessä vain yhtä valonlähdettä/sensoriaallonpituutta.
Saadun tuloksen perusteella mustalipeäliuoksen suopapitoisuutta voitaisiin
mahdollisesti mitata läpäisymittauksen avulla. Tarkastelussa löydettiin neljä
mielenkiintoista aallonpituutta, jotka voisivat soveltua tehtävään.
48
49
7.2 FLUORESENSSI MITTAUKSET ERI VAIHEISTA
DELIGNIFIOINTI JA VALKAISUPROSESSIA
Spektroskopiaan perustuvat fluoresenssimenetelmät ovat erittäin herkkiä ja
sopivat erinomaisesti esimerkiksi valkaisuprosesseissa aromaattisesta ligniinistä, uuteaineista ja valkaisukemikaaleista aiheutuvien fluoresenssisignaalien
detektointiin. Tässä tutkimusosiossa mitattiin Suomalaisten sellutehtaiden
koivu- ja havusellunäytteitä märkänä ja kuivana eri vaiheissa delignifiointi ja
valkaisuprosessia.
Perusoletuksena mittausten alussa oli, että prosessista voidaan spektrisesti mitata/analysoida heikkoakin sellun valkaisuun käytettyjen kemikaalien ja sellun
fluoresenssia, ja tarkkailla kemikaalien ja massan spektrisiä vaihteluja missä tahansa prosessin näytteenottokohdassa kun tunnetaan fluoresenssin viritysaallonpituudet ja vastaavat fluoresenssin emissiot.
Aluksi selvitettiin delignifiointi- ja valkaisuprosessin fluoresenssin viritysaallonpituudet ja emissiot kussakin sellun valkaisulinjan näytteenottovaiheessa.
Tehtaalta A (Kuitulinja 2) kerättiin seitsemästä eri kohdasta valkaisuprosessia
märkiä havusellunäytteitä (Kuva 7.2.1). Tehtaalta B kerättiin vastaavasti kuudesta eri kohdasta valkaisuprosessia märkiä koivusellunäytteitä (kuitulinja 3)
ja seitsemästä eri kohdasta valkaisuprosessia märkiä havusellunäytteitä (kuitulinja 2). Kaikkien näytesettien näytteet jaettiin ensin kahteen eri märkään
”näytesettiluokkaan”, jotka sitten mitattiin märkinä bispektrometrillä fluoresenssimatriisin määrittelemiseksi. Tämän jälkeen toinen seteistä kuivattiin ja
sekä märkä, että kuivattu näytesetti mitattiin bispektrometrillä kerran viikossa
viikon välein noin 2 kuukauden ajan. Samat mittaussarjat tehtiin sekä molempien tehtaiden näyteseteille. Näillä mittaussarjoilla haluttiin määrittää kuinka
märän sellun kuivumisesta mitatut ja kuivasta sellusta mitatut spektrit vaihtelevat ajan funktiona n. 2 kuukauden aikana.
märkä- ja kuivasellun spektristä tietokantaa (esimerkki Liitteissä II ja III) sekä
eri mittausmenetelmien yhdistämistä (esim. pistemittaukset+kuvantavat mittaukset) apuna käyttäen valkaisukemikaalien optimoiminen ja massan spektristen ominaisuuksien muuttumisen seuraaminen oli mahdollista. Lisäksi
pyrittiin kehittämään relaatiota mitattujen fluoresenssi/heijastus-spektrien ja
prosessissa käytettyjen kemikaalien/ligniinin välille, jopa siten, että käytettyjen aineiden spektrinen tarkkailu olisi mahdollista suoraan sellulinjalla. Myös
massan fluoresenssin homogeenisyyttä (esim. kemikaalien esiintyvyys sellunäytteessä) voitiin analysoida hankkeen aikana kehitetyllä kuvantavalla bispektrometrillä (Kuva 7.2.2).
Varsinaista märkäsellun fluoresenssin online-mittalaitetta kehitettäessä tulee
huomioida, että vaikka fluoresenssin emissiot ovat linjalta mitattuna heikompia johtuen siitä, että näytteen sisältämä vesi ja korkeampi lämpötila alentavat fluoresenssin voimakkuutta voitaisiin mittauksia periaatteessa tehdä linjalta jopa suoraankin, jos massan fluoresenssin virityksessä käytettäisiin esim.
aallonpituusoptimoituja lasereita ja herkkää pistedetektoria. Lisäksi voidaan
todeta, että online-mittausten apuna kemikaalien tai niiden yhdistelmien
”esiintyvyys”-analyysiä olisi hyödyllistä tehdä spektrisesti kuvantavalla bispektrometrillä off-line koska sellumassa ei ole homogeenista vaikka yleensä usein
näin helposti kuvitellaankin ja täten eri aallonpituuksilla emittoivat (esim.
valkaisukemikaalien) fluoresenssialueet näkyvät massassa erilaisina fluoresenssi-läikkinä. Hankkeessa kehitetyn märkäsellun fluoresenssidetektointi-menetelmästä tehty artikkeli on tarkoitus lähettää Holzforschung-lehteen.
Jokaisen valkaisuvaiheen ”kumulatiivisen” spektrianalyysin lisäksi aiemmin
hankkeessa analysoitiin erikseen referenssiksi valkaisussa käytettyjen kemikaalien, kuten natriumhydroksidin, valkolipeän ja vetyperoksidin fluoresenssiominaisuudet (+heijastusspektrit) ja lisäksi prosessoinnissa huomioitiin
”irto”-ligniinin” (testinäytteet Itä-Suomen yliopiston biologian laitokselta)
mahdollisia vaikutuksia spektreihin. Myös niiden valkaisukemikaalien spektrisiä ominaisuuksia, joita ei voitu mitata (esim. olomuodon, haitallisuuden jne.
vuoksi) kartoitettiin kirjallisuudesta, jotta kaikkien prosessissa käytettyjen valkaisuaineiden fluoresenssispektrit voitiin ottaa huomioon spektristä analysointia tehtäessä. Tällainen referenssianalysointi oli tarpeellinen koska kustakin
näytteenottokohdan näytteiden fluoresenssimittauksissa saatiin useita ”summaspektrejä” joissa tosin jo toisistaan eroavien viritysaallonpituuksien avulla
voitiin tehdä tarkkaakin spektriluokittelua. Lisäksi hankkeen aikana kerättyä
50
51
8YHTEENVETO
Projektin tavoitteena oli kehittää uusia pääasiassa kuvantamiseen ja konenäköön perustuvia mittauksia hyödynnettäväksi massan- ja paperinvalmistuksen märkäosalla sekä näihin prosesseihin liittyvissä tutkimuksissa. Projektissa
tutkittiin hyvin laajasti erilaisia mittausmenetelmiä, sovelluksia sekä näiden
toteutukseen liittyviä konenäkömenetelmiä. Tutkimuskohteet ja ja näiden
pääasialliset tulokset olivat seuraavat:
KUVA 7.2.1. Sellutehdas A kuitulinja 2 (havu) kaavio eri valkaisu/
delignifiointi vaiheineen ja vastaavat näytteenottokohdat (N2-N8).
Kuvassa alimmaisena esimerkkinä näytteenottokohdista N2 ja N8
otettujen märkien ja kuivattujen havusellunäytteitten fluoresenssispektrit ja LCTF-spektrikameralla otetut vastaavat kuvat.
Tahmo- ja roskapartikkelien kuvantaminen ja tunnistus: Roskapartikkelien
tunnistamiseen liittyen kehitettiin menetelmäkehys, jolla pystyttiin luomaan
semisynteettisiä sellunäytekuvia täydellisellä referenssidatalla, jotka mahdollistivat automaattisten menetelmien opettamisen testaamisen. Tuotettuja puolisynteettisiä kuvia hyödyntäen testattiin useita erilaisia roskapartikkeleiden
paikantamis-, karakterisointi- ja luokittelumenetelmiä.
Kuitumateriaalin karakterisointi ja tunnistus: Kuitujen segmentointiin ja
analysointiin liittyen kehitettiin menetelmä, joka erottaa kuvista keskenään
risteävät kuidut mahdollistaen niiden ominaisuuksien kuten pituuden, paksuuden ja käyryyden mittaamisen. Mitattujen kuitujen ominaisuuksien perusteella tehtiin alustavia kokeita kuitulajien tunnistamiseksi. Tehdyt testit antoivat lupaavia tuloksia.
MC-massan neste-kaasu dispersioilmiöiden hallinta kuvantamisteknologioilla: Kaasudispersion mittauskehityksessä päästiin käytännössä toimivaan
ratkaisuun sekä pystyttiin kuitulinjasta määrittämään eri prosessimuuttujien
vaikutusta dispersion laatuun. Lisäksi pystyttiin kehittämään toimivia konenäkömenetelmiä kuplien tunnistukseen sekä näihin perustuvia analysointikäyttöliittymiä hyödynnettäväksi alueen tutkimustoiminnassa. Tämä avaa
valtavia kehitysmahdollisuuksia on-line mittausteknologialle sekä kaasumaisia
kemikaaledja käyttävien delignifiointi- ja valkaisuprosessien kehittämiselle.
Tehdasmittauksia jatketaan meneillään olevassa FLASH Tekes hankkeessa.
KUVA 7.2.2. Kuvantava bispektrometrilaitteisto.
52
Prosessilaitteiden eri ilmiöiden kuvaus-/mittausjärjestelmien kehittäminen sekä menetelmien soveltaminen alueen perustutkimukseen: Tomografiamenetelmän sekä lämpövuomittauksen toimivuus sekoittumisen karakteroinnissa voitiin todentaa MC-massan kemikaalisyöttöön liittyvissä koeajoissa.
53
Haihduttamoprosessista pystyttiin saamaan selkeää in-line kuva-aineistoa
mutta tämä ei onnistunut käytännön kannalta tärkeimmistä prosessivaiheista
kuten haihdutinlamellien pinnalta. DD-pesurin saostumatutkimusten osalta
tehtiin fluoresenssimittauksia sekä kehitettiin on-line kuvantamismenetelmää
mutta merkittäviä tuloksia ei vielä saatu aikaiseksi.
Fluoresenssi- ja spektrimääritykset eri prosessivaiheista: Projektissa tehtiin
fluoresenssin ja spektrin määritystä eri selluprosessin vaiheista. Hakelajittelua
spektrin perusteella tehtiin puulajien tunnistamista varten. Tässä onnistuttiin
hyvin ja luokittelutulokset osoittivat että puulajia voidaan määrittää spektrin
perusteella. Löydetyt aallonpituusalueet on mahdollista toteuttaa suotimina
konenäköjärjestelmissä. Selluprosessin eri vaiheista otettujen näytteiden analyysi onnistui myös. Saimme fluoresenssin perusteella näkymään eri vaiheissa
käytettäviä kemikaaleja. Kemikaalien tarkka määritys jäi kesken, mutta tulevaisuudessa kemian osaaminen tarvittaisiin mukaan. Selkeästi fluoresenssin
perusteella nähtiin kemikaali jäämiä esimerkiksi pesuvaiheiden jälkeen. Tämä
voisi toimia tuotannossa optimointitekijänä, eli kemikaalien määrää voitaisiin
säätää optimaalisemmaksi. Suovan mittaus osoittautui myös onnistuneeksi,
tässäkin fluoresenssi oli avainasemassa. Kuvantavan fluoresenssikuvauslaitteen
kehitystyö eteni projektin aikana. Sen käyttöönotto vaatii vielä lisätyötä, mutta valmistuessaan se mahdollistaa fluoresenssin määrittämisen isoilta alueilta
saman mittauksen aikana. Projektissa selvitetyt aallonpituusalueet toimivat perustana tulevaisuuden mahdollisille mittauslaitteille.
Yhteenvetona voidaan todeta, että joidenkin sovellusten osalta projektissa
päästiin jo tehdastutkimus- ja patentointivaiheeseen. Happikaasun kuplakoko
pystyttiin mittaamaan täyden mittakaavan delignifiointiprosessissa ja menetelmää tullaan jatkossa kehittämään ja soveltamaan alueen tutkimus- ja kehitystoiminnassa. Lisäksi hakkeen fluoresenssikuvantamisella sekä suovan fluoresenssimittauksella on näköpiirissä käytännön sovelluksia. Tehdyt tutkimukset
loivat myös verkostoja ja pohjaa mittaussovellusten kehittämiselle jatkossa
massa-, paperi- ja biotuoteprosesseissa laajemminkin.
54
55
[LUT04] Strokina, Nataliya; Eerola, Tuomas; Lensu, Lasse; Kälviäinen, Heikki. Adaptive Classification of Dirt Particles in Papermaking Process, In The
17th Scandinavian Conference on Image Analysis, SCIA, 2011.
9 PROJEKTISSA SYNTYNEET JULKAISUT
Julkaisut on koostettuna sähköisessä muodossa projektin Wiki-sivuille
https://wiki.oulu.fi/display/pulpvision/Publications. Sivujen käyttöön vaaditaan käyttäjätunnus ja salasana.
Vertaisarvioidut tiedelehtijulkaisut
[LUT01] Strokina, Nataliya; Mankki, Aki; Eerola, Tuomas; Lensu, Lasse; Käyhkö, Jari; Kälviäinen, Heikki. Framework for Developing Image-based Dirt
Particle Classifiers for Dry Pulp Sheets, In Machine Vision and Applications,
Springer-Verlag, vol. 24, no. 4, pages 869-881, 2013.
[MAMK01] Mutikainen, Heikki; Strokina, Nataliya; Eerola, Tuomas; Lensu,
Lasse; Kälviäinen, Heikki; Käyhkö, Jari. Online measurement of the bubble
size distribution in medium-consistency oxygen delignification, Accepted for
publication in Appita Journal.
[LUT02] Strokina, N.; Matas, J.; Eerola, T.; Lensu, L.; Kälviäinen, H.. Detection of bubbles as concentric circular arrangements, Submitted to Pattern
Recognition Letters.
[MAMK02] Mutikainen, Heikki.; Peltonen, Kari; Tirri, Tapio; Käyhkö, Jari;
Characterisation on Oxygen Dispersion in Medium-Consistency Pulp Mixing, In Appita Journal, vol. 67, no. 1, pages 37-42, 2014.
Vertaisarvioidut konferenssiartikkelit
[LUT03] Strokina, Nataliya; Mankki, Aki; Eerola, Tuomas; Lensu, Lasse; Käyhkö, Jari; Kälviäinen, Heikki. Semisynthetic ground truth for dirt particle
counting and classification methods, In Proceedings of the 12th IAPR Conference on Machine Vision Applications, MVA, 2011.
56
[LUT05] Laaksonen, Lauri; Strokina, Nataliya; Eerola, Tuomas; Lensu, Lasse; Kälviäinen, Heikki. Improving Particle Segmentation from Process Images
with Wiener Filtering, In The 17th Scandinavian Conference on Image Analysis, SCIA, 2011.
[LUT06] Strokina, N.; Matas, J.; Eerola, T.; Lensu, L.; Kälviäinen, H.. Detection of bubbles as concentric circular arrangements, In the 21st International Conference on Pattern Recognition, ICPR, Tsukuba Science City, Japan,
2012.
[LUT07] Strokina, Nataliya; Kurakina, Tatinana; Eerola, Tuomas; Lensu, Lasse; Kälviäinen, Heikki. Detection of Curvilinear Structures by Tensor Voting
Applied to Fiber Characterization, In The 18th Scandinavian Conference on
Image Analysis, SCIA, pages 22-33, 2013.
[LUT08] Strokina, Nataliya; Juránek, Roman; Eerola, Tuomas; Lensu, Lasse;
Zemcik, Pavel; Kälviäinen, Heikki. Comparison of appearance-based and geometry-based bubble detectors, In Proceedings of the International Conference
on Computer Vision and Graphics, ICCVG, pages 610-617, Warsaw, Poland,
2014.
[LUT09] Ilonen, Jarmo; Eerola, Tuomas; Mutikainen, Heikki; Lensu, Lasse;
Käyhkö, Jari; Kälviäinen, Heikki.Estimation of bubble size distribution based
on power spectrum, In the 19th Iberoamerican Congress on Pattern Recognition, CIARP, 2014.
[LUT10] Sorokin, Mikhail; Strokina, Nataliya; Eerola, Tuomas; Lensu, Lasse;
Kälviäinen, Heikki. Image-based characterization of the pulp flows, In the 9th
Open German-Russian Workshop on Pattern Recognition and Image Understanding, OGRW, 2014.
[MAMK03] Mutikainen, Heikki; Peltonen, Kari; Pikka, Olavi; Käyhkö, Jari;
Characterization of Oxygen Dispersion in Delignification Process, In Proceeding on the International Pulp Bleaching Conference 2014, IPBC, pages 5156, Grenoble, France, 2014.
[MAMK04] Liukkonen, Mika; Mutikainen, Heikki; Käyhkö, Jari; Peltonen,
Kari; Hiltunen, Yrjö; Towards Online Characterization of Oxygen Delignification in Kraft Pulping. Automaatio XXI seminaari 2015, Helsinki, Suomi,
17–18.3. 2015.
57
LIITELUETTELO
Diplomityöt ja kandityöt
[LUT11] Laaksonen, Lauri. Image processing methods for particle analysis in
pulp making process, Lappeenranta University of Technology, M.Sc. Thesis,
2011.
[LUT12] Sorokin, Mikhail. Image-based characterization of the process flows
in pulping, M.Sc. Thesis, Lappeenranta University of Technology, 2012.
[LUT13] Kurakina, Tatiana. Characterization of fiber and vessel elements in
pulp suspension images, M.Sc. Thesis, Lappeenranta University of Technology, 2012.
[LUT14] Kerminen, Kimmo. Wood species identification by visual characterization of fibers, Bachelor’s Thesis, Lappeenranta University of Technology,
2014.
[MAMK05] Mutikainen, Heikki, Happidispersion karakterisointi laboratoriosekoittimessa, diplomityö, Lappeenrannan teknillinen yliopisto, 2011.
[UEF1] Mutanen K., Heikkinen V., Mutanen J., Hauta-Kasari M., Parkkinen
J, “Wood chip species classification using spectral based data”, Holzforschung
(käsikirjoitus korjattavana), 2014.
Liite I.
Taulukoituna hankkeen aikana mitattuja suomalaisista ja
thaimaalaisista sellutehtaista, sekä Oulu-Cemis-Kajaanista
ja Teknosavosta saatujen kaarna-, hake ja sahanpurunäytteiden (mänty, kuusi, koivu ja eukaliptus) fluoresenssin tyypillisiä viritys- ja emissioaallonpituuksia.
LiiteII a.
Taulukoituna hankkeen aikana mitattujen thaimaalaisen ja suomalaisten sellutehtaiden eri tyyppisten märkien
mänty-, kuusi-, koivu- ja eukaliptussellujen fluoresenssin tyypillisiä viritys- ja emissioaallonpituuksia.
Liite II b.
Liite III.
Taulukoituna hankkeen aikana mitattujen thaimaalaisen ja
suomalaisten sellutehtaiden eri tyyppisten kuivien mänty-,
kuusi-, koivu- ja eukaliptussellujen fluoresenssin tyypillisiä
viritys- ja emissioaallonpituuksia.
Mm. Koivu-, mänty-, kuusi- ja eukalyptussellun bispektrometrillä mitatut fluoresenssi- ja heijastusmatriisit ja taulukoituna kunkin sellutyypin fluoresenssin maksimiviritys- ja
emissioaallonpituudet.
Väitöskirjat
[LUT15] Strokina, Nataliya. Machine vision methods for process measurements in pulping, PhD thesis, Lappeenranta University of Technology, 2013.
58
59
LIITE I.
LIITE II. A)
Taulukoituna hankkeen aikana mitattuja suomalaisista ja thaimaalaisista sellutehtaista, sekä Oulu-Cemis-Kajaanista ja Teknosavosta saatujen kaarna-, hake
ja sahanpurunäytteiden (mänty, kuusi, koivu ja eukaliptus) fluoresenssin tyypillisiä viritys- ja emissioaallonpituuksia.
Taulukoituna hankkeen aikana mitattujen thaimaalaisen ja suomalaisten sellutehtaiden eri tyyppisten märkien mänty-, kuusi-, koivu- ja eukaliptussellujen
fluoresenssin tyypillisiä viritys- ja emissioaallonpituuksia.
60
61
LIITE II. B)
LIITE III.
Taulukoituna hankkeen aikana mitattujen thaimaalaisen ja suomalaisten sellutehtaiden eri tyyppisten kuivien mänty-, kuusi-, koivu- ja eukaliptussellujen
fluoresenssin tyypillisiä viritys- ja emissioaallonpituuksia.
Mm. Koivu-, mänty-, kuusi- ja eukalyptussellun bispektrometrillä mitatut
fluoresenssi- ja heijastusmatriisit ja taulukoituna kunkin sellutyypin fluoresenssin maksimiviritys- ja emissioaallonpituudet.
62
63
MIKKELIN AMMATTIKORKEAKOULU
MIKKELI UNIVERSITY OF APPLIED SCIENCES. MIKKELI. FINLAND
PL 181, SF-50101 Mikkeli, Finland. Puh.vaihde (tel.vx.) 0153 5561
Julkaisujen myynti: Tähtijulkaisut verkkokirjakauppa, www.tahtijulkaisut.net.
Julkaisutoiminta: Kirjasto- ja oppimisteknologiapalvelut, Kampuskirjasto,
Patteristonkatu 2, 50100 Mikkeli, puh. 040 868 6450 tai email: julkaisut(a)
xamk.fi
A:9 Reetaleena Rissanen – Mikko Selenius – Hannu Kuopanportti – Reijo
Lappalainen: Puutislepinnoitusmenetelmän kehittäminen. 2006. 57 s.
+ liitt. 2 s.
A:10 Paula Kärmeniemi – Kristiina Lehtola – Pirjo Vuoskoski: Arvioinnin
kehittäminen PBL-opetussuunnitelmassa – kaksi tapausesimerkkiä
fysioterapeuttikoulutuksesta. 2006. 146 s.
MIKKELIN AMMATTIKORKEAKOULUN JULKAISUSARJA
A:11 Eero Jäppinen – Jussi Heinimö – Hanne Orava – Leena Mäkelä:
Metsäpolttoaineen saatavuus, tuotanto ja laivakuljetusmahdollisuudet
Saimaan alueella. 2006. 128 s. + liitt. 8 s.
A: Tutkimuksia ja raportteja ISSN 1795-9438
Mikkeli University of Applied Sciences, Publication series
A:12 Pasi Pakkala – Jukka Mäntylä: ”Kiva tulla aamulla…” - johtaminen ja
työhyvinvointi metsänhoitoyhdistyksissä. 2006. 40 s. + liitt. 7 s.
A: Tutkimuksia ja raportteja – Research reports
A:13 Marja Lehtonen – Pia Ahoranta – Sirkka Erämaa – Elise Kosonen
– Jaakko Pitkänen (toim.): Hyvinvointia ja kuntoa kulttuurista. HAKKU
projektin loppuraportti. 2006. 101 s. + liitt. 5 s.
A:1 Kyllikki Klemm: Maalla on somaa. Sosiaalinen hyvinvointi maaseu
dulla. 2005. 41 s.
A:2 Anneli Jaroma – Tuija Vänttinen – Inkeri Nousiainen (toim.) Ammatti
korkeakoulujen hyvinvointiala alueellisen kehittämisen lähtökohtia Etelä-Savossa. 2005. 17 s. + liitt. 12 s.
A:3 Pirjo Käyhkö: Oppimisen kokemuksia hoitotyön kädentaitojen harjoit
telusta sairaanhoitaja- ja terveydenhoitajaopiskelijoiden kuvaamina.
2005. 103 s. + liitt. 6 s.
A:4 Jaana Lähteenmaa: “AVARTTI” as Experienced by Youth. A Qualitative
Case Study. 2006. 34 s.
A:5 Heikki Malinen (toim.) Ammattikorkeakoulujen valtakunnalliset tutki
mus- ja kehitystoiminnan päivät Mikkelissä 8. – 9.2.2006. 2006. 72 s.
A:6 Hanne Orava – Pirjo Kivijärvi – Riitta Lahtinen – Anne Matilainen
– Anne Tillanen – Hannu Kuopanportti: Hajoavan katteen kehittämi
nen riviviljelykasveille. 2006. 52 s. + liitt. 2 s.
A:7 Sari Järn – Susanna Kokkinen – Osmo Palonen (toim.): ElkaD –
Puheenvuoroja sähköiseen arkistointiin. 2006. 77 s.
A:8 Katja Komonen (toim.): Työpajatoimintaa kehittämässä - Työpajojen
kehittäminen Etelä-Savossa -hankkeen kokemukset. 2006. 183 s. (nid.)
180 s. (pdf )
64
A:14 Mervi Naakka – Pia Ahoranta: Palveluketjusta turvaverkoksi -projekti:
Osaaminen ja joustavuus edellytyksenä toimivalle vanhus-palveluver
kostolle. 2007. 34 s. + liitt. 6 s.
A:15 Paula Anttila – Tuomo Linnanto – Iiro Kiukas – Hannu Kuopanportti:
Lujitemuovijätteen poltto, esikäsittely ja uusiotuotteiden valmista
minen. 2007. 87 s.
A:16 Mervi Louhivaara (toim.): Elintarvikeyrittäjän opas Venäjän markki
noille. 2007. 23 s. + liitt. 7 s.
A:17 Päivi Tikkanen: Fysioterapian kehittämishanke Mikkelin seudulla. 2007.
18 s. + liitt. 70 s.
A:18 Aila Puttonen: International activities in Mikkeli University of Applied
Sciences. Developing by benchmarking. 2007. 95 s. + liitt. 42 s.
A:19 Iiro Kiukas – Hanne Soininen – Leena Mäkelä – Martti Pouru: Puun
lämpökäsittelyssä muodostuvien hajukaasujen puhdistaminen biosuoti
mella. 2007. 80 s. + liitt. 3 s.
A:20
Johanna Heikkilä, Susanna Hytönen – Tero Janatuinen – Ulla Keto –
Outi Kinttula – Jari Lahti –Heikki Malinen – Hanna Myllys – Marjo
Eerikäinen: Itsearviointityökalun kehittäminen korkeakouluille. 2007.
48 s. + liitt. (94 s. CD-ROM)
65
A:21 Katja Komonen: Puhuttu paikka. Nuorten työpajatoiminnan rakentu
minen työpajakerronnassa. 2007. 207 s. + liitt. 3 s. (nid.) 207 s. + liitt.
3 s. (pdf )
A:22 Teija Taskinen: Ammattikeittiöiden ruokatuotantoprosessit. 2007. 54 s.
A:23 Teija Taskinen: Ammattikeittiöt Suomessa 2015 – vaihtoehtoisia tule
vaisuudennäkymiä. 2007. 77 s. + liitt. 5 s. (nid.) 77 s. + liitt. 5 s. (pdf.)
A:24 Hanne Soininen, Iiro Kiukas, Leena Mäkelä: Biokaasusta bioenergiaa
eteläsavolaisille maaseutuyrityksille. 2007. 78 s. + liitt. 2 s. (nid.)
A:25 Marjaana Julkunen – Panu Väänänen (toim.): RAJALLA – aikuiskasvatus
suuntaa verkkoon. 2007. 198 s.
A:26 Samuli Heikkonen – Katri Luostarinen – Kimmo Piispa: Kiln drying of
Siberian Larch (Larix sibirica) timber. 2007. 78 p. + app. 4 p.
A:27 Rauni Väätämöinen – Arja Tiippana – Sonja Pyykkönen – Riitta
Pylvänäinen – Voitto Helander: Hyvän elämän keskus. ”Ikä-keskus”,
hyvinvointia, terveyttä ja toimintakykyä ikääntyville –hankkeen loppu
raportti. 2007. 162 s
A:28 Hanne Soininen – Leena Mäkelä – Saana Oksa: Etelä-Savon maaseutu
yritysten ympäristö- ja elintarviketurvallisuuden kehittäminen. 2007.
224 s. + liitt. 55 s.
A:29 Katja Komonen (toim.): UUDISTUVAT OPPIMISYMPÄRISTÖT – puheenvuoroja ja esimerkkejä. 2007. 231 s. (nid.) 221 s. (pdf )
A:30 Johanna Logrén: Venäjän elintarviketurvallisuus, elintarvikelainsäädäntö
ja -valvonta. 2007. 163 s.
A:31 Hanne Soininen – Iiro Kiukas – Leena Mäkelä – Timo Nordman –
Hannu Kuopanportti: Jätepolttoaineiden lentotuhkat. 2007. 102 s.
A:32 Hannele Luostarinen – Erja Ruotsalainen: Opiskelijoiden oppimisen
ja osaamisen arviointikriteerit Mikkelin ammattikorkeakoulun opis
kelija-arviointiin. 2007. 29 s. + liitt. 25 s.
A:33 Leena Mäkelä – Hanne Soininen – Saana Oksa: Ympäristöriskien hal
linta. 2008. 142 s.
A:34 Rauni Väätämöinen – Merja Tolvanen – Pekka Valkola: Laatua arvi66
oiden. Mikkelin ammattikorkeakoulun ja Savonia-ammattikorkeakoulun tutkimus- ja kehitystyön benchmarking. 2008. 46 s. + liitt. 22
s. (nid.) 46 s. +liitt. 22 s. (pdf )
A:35 Jari Kortelainen – Yrjö Tolonen: Vuosiluston kierresyisyys sahatavaran
pinnoilla. 2008. 23 s. (pdf )
A:36 Anneli Jaroma (toim.): Virtaa verkostosta. Tutkimus- ja kehitystyö osana
ammattikorkeakoulujen tehtävää, AMKtutka, kehittämisverkosto yh
teisellä asialla. 2008. 180 s. (nid.) 189 s. (pdf )
A:37 Johanna Logrén: Food safety legislation and control in the Russian
federation. Practical experiences. 2008. 52 p. (pdf )
A:38 Teija Taskinen: Sähköisten järjestelmien hyödyntäminen ammattikeit
tiöiden omavalvonnassa. 2008. 28 s. + liitt. 2 s. (nid.) 38 s. +liitt. 2 s. (pdf)
A:39 Kimmo Kainulainen – Pia Puntanen – Heli Metsäpelto: Etelä-Savon
luovien alojen tutkimus- ja kehittämissuunnitelma. 2008. 68 s. + liitt.
17 s. (nid.) 76 s. +liitt. 17 s. (pdf )
A:40 Nicolai van der Woert – Salla Seppänen –Paul van Keeken (eds.):
Neuroblend - Competence based blended learning framework for
life-long vocational learning of neuroscience nurses. 2008. 166 p. + app.
5 p. (nid.)
A:41 Nina Rinkinen – Virpi Leskinen – Päivikki Liukkonen: Selvitys mat
kailuyritysten kehittämistarpeista 2007–2013 Savonlinnan ja Mikkelin
seuduilla sekä Heinävedellä. 2008. 41 s. (pdf )
A:42 Virpi Leskinen – Nina Rinkinen: Katsaus matkailutoimialaan Etelä
Savossa. 2008. 28 s. (pdf )
A:43 Kati Kontinen: Maaperän vahvistusratkaisut huonosti kantavien maiden
puunkorjuussa. 2009. 34 s. + liitt. 2 s.
A:44 Ulla Keto – Marjo Nykänen – Rauni Väätämöinen: Laadun vuoksi.
Mikkelin ammattikorkeakoulu laadunvarmistuksen kehittäjänä. 2009.
76 s. + liitt. 11 s.
A:45 Laura Hokkanen (toim.): Vaikuttavaa! Nuoret kansalaisvaikuttamisen
kentillä. 2009. 159 s. (nid.) 152 s. (pdf )
A:46 Eliisa Kotro (ed.): Future challenges in professional kitchens II. 2009.
65 s. (pdf )
67
A:47Anneli Jaroma (toim.): Virtaa verkostosta II. AMKtutka, kehitys
impulsseja ammattikorkeakoulujen T&K&I –toimintaan. 2009. 207 s.
(nid.) 204 s. (pdf )
A:59 Hanne Soininen – Leena Mäkelä – Anni Kyyhkynen – Elina Muukkonen.
Biopolttoaineita käyttävien energiantuotantolaitosten tuhkien hyöty
käyttö- ja logistiikkavirrat Itä-Suomessa. 2010. 111 s. (nid.) 111 s. (pdf )
A:48 Tuula Okkonen (toim.): Oppimisvaikeuksien ja erilaisten opiskelijoiden
tukeminen MAMKissa 2008–2009. 2009. 30 s. + liitt. 26 s. (nid.) 30 s.
+ liitt. 26 s. (pdf )
A:60 Soile Eronen. Yhdessä paremmin. Aivohalvauskuntoutuksen tehostami
nen moniammatillisuudella. 2011. 111 s + liitt. 10 s. (nid.)
A:49 Soile Laitinen (toim.): Uudistuva aikuiskoulutus. Eurooppalaisia koke
muksia ja suomalaisia mahdollisuuksia. 2010. 154 s. (nid.) 145 s. (pdf )
A:61 Pirjo Hartikainen (toim.). Hyviä käytänteitä sosiaali- ja terveysalan
hyvinvointipalveluissa. Tuloksia HYVOPA-hankkeesta. 2011. 64 s. (pdf )
A:50 Kati Kontinen: Kumimatot maaperän vahvistusratkaisuna puunkor
juussa. 2010. 37 s. + liitt. 2 s. (nid.)
A:62 Sirpa Luukkainen – Simo Ojala – Antti Kaipainen. Mobiilihoiva turval
lisen kotihoidon tukena -hanke 1.5.2008–30.6.2010. EAKR toiminta
linja 4, kokeiluosio. Loppuraportti. 2011. 78 s. + liitt. 19 s. (pdf )
A:51 Laura Hokkanen – Veli Liikanen: Vaikutusvaltaa! Kohti kansalais
vaikuttamisen uusia areenoja. 2010. 159 s. + liitt. 17 s. (nid.) 159 s. +
liitt. 17 s. (pdf )
A:63 Sari Toijonen-Kunnari (toim.). Toiminnallinen kehittäjäkumppanuus.
MAMKin liiketalouden koulutus Etelä-Savon innovaatioympäristössä.
2011. 164 s. (nid.) 150 s. (pdf )
A:52 Salla Seppänen – Niina Kaukonen – Sirpa Luukkainen: Potilashotelli
Etelä-Savoon. Selvityshankkeen 1.4.–31.8.2009 loppuraportti. 2010.
16 s. + liitt. 65 s. (pdf )
A:64 Tuula Siljanen – Ulla Keto. Mikkeli muutoksessa. Muutosohjelman
arviointi. 2011. 42 s. (pdf )
A:53Minna-Mari Mentula: Huomisen opetusravintola. Ravintola Tallin
kehittäminen. 2010. 103 s. (nid.) 103 s. (pdf )
A:54 Kirsi Pohjola. Nuorisotyö koulussa. Nuorisotyö osana monialaista oppi
lashuoltoa. 2010. 40 s (pdf ).
A:55
Sinikka Pöllänen – Leena Uosukainen. Oppimisverkosto voimaannuttajana ja hyvinvoinnin edistäjänä. Savonlinnan osaverkoston toiminnan
esittely Tykes -hankkeessa vuosina 2006–2009. 2010. 60 s. + liitt. 2 s.
(nid.) 61 s. liitt. 2 s. (pdf )
A:65 Päivi Lifflander – Pirjo Hartikainen. Savonlinnan seudun palveluseteli
selvitys. 2011. 59 s. + liitt. 6 s. (pdf )
A:66
Mari Pennanen – Eva-Maria Hakola. Selvitys matkailun luontoaktiviteettien, Kulttuurin ja luovien alojen Yhteistyön kehittämismahdollisuuksista ja -tarpeista Etelä-Savossa. Hankeraportti. 2011. 29 s. + liitt.
18 s. (pdf )
A:67 Osmo Palonen (toim.). Muistilla on kolme ulottuvuutta. Kulttuuri
perinnön digitaalinen tuottaminen ja tallentaminen. 2011. 136 s. (nid.)
128 s. (pdf )
A: 56 Anna Kapanen (toim.). Uusia avauksia tekemällä oppimiseen. Työpajo
jen ja ammattiopistojen välisen yhteistyön kehittyminen Etelä- ja
Pohjois-Savossa. 2010. 144 s. (nid.) 136 s. (pdf )
A:68 Tuija Vänttinen – Marjo Nykänen (toim.). Osaamisen palapeli. Mikkelin
ammattikorkeakoulun opetussuunnitelmien kehittäminen. 2011. 137
s.+ liitt. 8 s. (nid.) 131 s. + liitt. 8 s. (pdf )
A:57 Hanne Soininen – Leena Mäkelä – Veikko Äikäs – Anni Laitinen.
Ympäristöasiat osana hevostallien kannattavuutta. 2010. 108 s. + liitt.
11 s. (nid.) 105 s. + liitt. 11 s. (pdf )
A:69 Petri Pajunen – Pasi Pakkala. Prosessiorganisaatio metsänhoitoyhdis
tyksen organisaatiomallina. 2012. 48 s. + liitt. 6 s. (nid.)
A:58 Anu Haapala – Kalevi Niemi (toim.) Tulevaisuustietoinen kehittäminen.
Hyvinvoinnin ja kulttuurin ammattikorkeakoulutuksen suuntaviivoja
etsimässä. 2010. 155 s + liitt. 26 s. (nid.) 143 s. + liitt. 26 s. (pdf )
68
A:70 Tero Karttunen – Kari Dufva – Antti Ylhäinen – Martti Kemppinen.
Väsyttävästi kuormitettujen liimaliitosten testimenetelmän kehitys.
2012. 45 s. (nid.)
69
A:71 Minna Malankin. Venäläiset matkailun asiakkaina. 2012. 114 s. + liitt.
7 s. (nid.) 114 s. + liitt. 7 s. (pdf )
A:72 María del Mar Márquez – Jukka Mäntylä. Metsätalouden laitoksen
opetussuunnitelman uudistamisprosessi. 2012. 107 s. + liitt. 17 s. (nid.)
A:73 Marjaana Kivelä (toim.). Yksin hyvä – yhdessä parempi. 2012. 115 s.
(nid.) 111 s. (pdf )
A:74 Pekka Hartikainen – Kati Kontinen – Timo Antero Leinonen. Metsä
tiensuunnitteluopas – metsä- ja piennartiet. 2012. 44 s. + liitt. 20 s.
(nid.) 44 s. + liitt. 20 s. (pdf )
A:75Sami Luste – Hanne Soininen – Tuija Ranta-Korhonen – Sari
Seppäläinen – Anni Laitinen – Mari Tervo. Biokaasulaitos osana
energiaomavaraista maatilaa. 2012. 68 s. (nid.) 68 s. (pdf )
A:76 Marja-Liisa Kakkonen (toim.). Näkökulmia yrittäjyyteen ja yritys
yhteistyötoimintaan. 2012. 113 s. (nid.) 106 s. (pdf )
A:77 Matti Meriläinen – Anu Haapala – Tuija Vänttinen. Opiskelijoiden
hyvinvointi ja siihen yhteydessä olevia tekijöitä. Lähtökohtia ja tutkit
tua tietoa ohjauksen ja pedagogiikan kehittämiseen. 2013. 92 s. (nid.)
92 s. (pdf )
A:78 Jussi Ronkainen – Marika Punamäki (toim.). Nuoret ja syrjäytyminen
Itä-Suomessa. 2013. 151 s. (nid.) 151 s. (pdf )
A:79 Anna Kähkönen (toim.). Ulkomaalaiset opiskelijat Etelä-Savon voima
varaksi. Kokemuksia ja esimerkkejä. 2013. 127 s. (nid.) 127 s. (pdf )
A:80 Risto Laukas – Pasi Pakkala. Suomen suurimpien kaupunkien metsä
taloustoimintojen kehittäminen. 2013. 55 s. + liitt. 8 s. (nid.)
A:81Pekka Penttinen – Jussi Ronkainen (toim.). Itä-Suomen nuoriso
puntari. Katsaus nuorten hyvinvointiin Itä-Suomen maakunnissa
2010–2012. 2013. 147 s. + liitt. 15 s. (nid.) 147 s. + liitt. 15 s. (nid.)
A:82Marja-Liisa Kakkonen (ed.). Bridging entrepreneurship education
between Russia and Finland. Conference proceedings 2013. 2013. 91 s
(nid.) 91 s. (pdf )
A:83 Tero Karttunen - Kari Dufva. The determination of the mode II fatigue
threshold with a cast iron ENF specimen. 2013. 24 s. (nid.)
70
A:84 Outi Pyöriä (toim.). Vesi liikuttaa ja kuntouttaa - hyviä käytänteitä
vesiliikuntapalveluissa. Tuloksia VESKU-hankkeesta. 2013. 63 s. (nid.)
63 s. (pdf )
A:85 Laura Hokkanen - Johanna Pirinen - Hanna Kuitunen. Vapaaehtoistyö,
kansalaisjärjestöt ja hyvinvointipalvelujen kehittäminen Etelä-Savossa
–esiselvitys. 2014. 114 s. (nid) 114 s. (pdf )
A:86 Johanna Hirvonen. Luontolähtöisen toiminnan hyvinvointivaikutukset
ja niiden arviointi. Asiakasvaikutusten arviointi Luontohoiva-hankkeessa.
2014. 70 s. (nid.) 70 s. (pdf)
A:87 Pasi Pakkala. Liiketoimintaa ja edunvalvontaa – Näkökulmia työhyvin
vointiin metsähoitoyhdistyksissä. 2014. 52 s. (nid.)
A:88
Johanna Arola - Piia Aarniosalo - Hannu Poutiainen - Esa Hannus –
Heikki Isotalus. Open-tietojärjestelmä. Etämonitoroinnin kehittäminen
osana ympäristöteknologian koulutusta ja innovaatiotoimintaa. 2014.
71 s. (nid.) 71 s. (pdf )
A:89 Tapio Lepistö. Luonnonkuitukomposiitit. 2014. 67 s. (nid.) 67 s. (pdf )
A:90 Kirsti Ilomäki - Kari Dufva - Petri Jetsu. Luonnonkuitulujitettujen
muovikomposiittien tutkimus ja opetuksen kehittäminen. 2014. 49 s.
(nid.) 49 s. (pdf )
A:91 Jaana Dillström - Erja Ruotsalainen. Huomaan, että osaan. Opiskeli
joiden kokemuksia simulaatiosta. 2014. 46 s. (nid.) 46 s. (pdf )
A:92 Kati Kontinen. Huonosti kantavien maiden ja teiden vahvistamis
ratkaisut. 2014. 39 s. (nid.) 39 s. (pdf )
A:93 Mika Liukkonen - Elina Havia - Henri Montonen - Yrjö Hiltunen.
Life-cycle covering traceability and information management for
electronic product using RFID. 2014. 55 s. (pdf )
A:94Liisa Uosukainen (ed.). Open source archive. Towards open and
sustainable digital archives. 2014. 90 s. (nid.) 100 s. (pdf )
A:95 Anu Haapala (toim.). Opinnollistaminen tki-projekteissa. Lähtökohtia
ja kokemuksia käytännöstä. 2014. 95 s. (nid.) 88 s. (pdf )
A:96 Päivi Niiranen-Linkama – Tiina Kuru. Kokemuksellinen hyvinvointi.
Mitä 65–74-vuotiaat kertovat hyvinvoinnistaan. 2014. 55 s. (nid.) 55 s.
(pdf )
71
A:97 Marketta Koskinen. Mikkelin seudun Digipuntari 2014. Pilottitutki
muksen raportti. 2014. 67 s. (pdf )
A:98 Sari Laanterä – Terttu Liimatainen – Marja-Liisa Laitinen. Ehkäisevän
ja matalan kynnyksen hyvinvointipalvelumallin kehittäminen Mikkelin
seudulle. 2014. 130 s. (nid) 162 s. (pdf )
A:99 Maarit Karhula. Omaisen ja läheisen näkemykset roolistaan palvelu
verkostossa. 2015. 76 s. (nid.) 76 s.(pdf )
A:100Sonja Miettinen – Sanna-Mari Pöyry. Vainulla Etelä-Savossa. Vaikeim
min työllistyvät nuoret palvelujärjestelmässä -selvitys. 2015. 90 s. (nid.)
102 s. (pdf )
A:101
Tuija Vänttinen (ed.). Enhancing learning outcomes evaluation.
Benchmarking learning outcomes evaluation in Finland, Scotland and Kansas. 2015. 116 s (nid.) 126 s. (pdf )
A:102Marjo Nykänen (toim.). Itsearviointi korkeakoulun laatutyökaluna.
2015. 141 s. (nid.) 143 s. (pdf )
A:103Riitta Tuikkanen – Paula Mäkeläinen. Työmiesten työaikaiset ruokapal
velut ja syöminen työaikana. 2015. 55 s. (nid.) 66 s. (pdf )
A:104Tuomas Pesonen – Jari Käyhkö – Janne Keränen – Henna Sundqvist
– Panu Lahtinen. Esiselvitys: Pienoistehdas painetun älyn alustan val
mistamiseen hiilidioksidi-kalsiumhydroksidi-mikrokuitukomposiittina.
Raportti. 2015. 49 s. (pdf )
A:105Jari Käyhkö – Heikki Mutikainen – Juhani Turunen – Tapio Tirri – Yrjö
Hiltunen – Tuomas Eerola – Lasse Lensu – Heikki Kälviäinen – Jarkko
Mutanen – Markku Hauta-Kasari – Kyösti Karttunen – Kaarina
Prittinen – Elmar Bernhardt. Loppuraportti: Massan ja paperinvalmis
tuksen märkäosan kuvantava mittaus sekä konenäkösovellukset (PULP
VISION). 2015. 75 s. (pdf )
72
73
Julkaisija: Mikkelin Ammattikorkeakoulu
Julkaisusarja: A Tutkimuksia ja raportteja | Research Reports | 105
74
Fly UP